deepseek3.2 exp tilelang

原创 已于 2025-10-06 11:50:29 修改 · 157 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能

于 2025-10-04 21:49:25 首次发布
fkyyly
关注
DeepSeek-V3.2-Exp
MrLi的博客
10-17 137
DeepSeek近期取得多项突破：发布实验性模型DeepSeek-V3.2-Exp，采用DSA稀疏注意力机制提升长文本处理效率；与中国电信合作完成异构算力验证，推理成本最高降42%；入选"2025全球十大工程成就"。其发展重点转向技术优化、产业协同与成本控制，推动大模型更高效、经济、开放。
DeepSeek v3.2 exp技术详解
fkyyly的专栏
10-02 1221
与之前模型最大的不同是，DSA不再让每个Token关注序列中的所有其他Token。而是通过 Lightning Indexer 和 Top-k Token Selection 组件，使模型在处理长文本时只关注关键的历史Token，将注意力计算复杂度从 O(L²) 降至 O(LK)，其中K远小于L。这在处理长文本时，无疑带来了巨大的效率提升。
DeepSeek-V3.2-Exp解析：稀疏注意力重塑高效AI，成本暴降75%
Liudef06的博客
09-29 6282
DeepSeek开源社区发布新一代DeepSeek-V3.2-Exp模型，通过创新的稀疏注意力架构(DSA)实现效率突破。该模型在保持V3.1-Terminus性能的同时，将计算复杂度从二次方降至线性级别，显著降低资源消耗。核心创新包括： 细粒度稀疏化策略：分解注意力为局部和全局两部分，局部使用滑动窗口机制，全局通过关键token维持建模能力 硬件感知优化：采用分块处理策略确保内存访问连续性，块大小与GPU缓存行对齐，实现接近理论峰值的计算效率 动态调整机制：根据输入特性和任务需求自动调整稀疏模式，提升适应
超强降本增效！DeepSeek-V3.2-Exp上线，首发DeepSeek-V3.2-Exp：开源大模型新标杆，长文本处理效率提升50%+，API成本大幅降低
python123456_的博客
10-08 1364
DeepSeek-V3.2-Exp是基于V3.1-Terminus的改进版本，引入DeepSeek Sparse Attention(DSA)机制，实现长文本处理效率提升2-3倍，内存使用降低30-40%，API成本降低50%以上。模型在保持与前代相当性能的同时，显著降低了计算资源消耗。已在Hugging Face和ModelScope开源，适用于长文本处理、代码生成、逻辑推理等场景，为开发者提供更经济高效的AI解决方案。DeepSeek-V3.2-Exp是DeepSeek-AI推出的一款实验性人工智能模型
重磅！DeepSeek-V3.2-Exp 发布百万输出仅3元｜附完整论文中文翻译
人工智能学家
09-30 365
DeepSeek-V3.2-Exp 在 GPQA、HLE 和 HMMT 2025 上的性能低于 DeepSeek-V3.1-Terminus，因为 DeepSeek-V3.2-Exp 生成的推理 Token 更少。持续预训练后，我们执行后训练以创建最终的 DeepSeek-V3.2-Exp。与 DeepSeek-V3.1 的最终版本 DeepSeek-V3.1-Terminus 相比，DeepSeek-V3.2-Exp 唯一的架构修改是通过持续训练引入了 DeepSeek 稀疏注意力 (DSA)。
DeepSeek-V3.2-Exp 上新：推理提速2倍，API 降价50%
2501_92842654的博客
10-10 412
DeepSeek推出V3.2-Exp大模型，采用DSA稀疏注意力机制提升效率，长文本推理速度提高2-3倍，内存占用降低30%-40%，API价格降幅超50%。同时开源双版本算子，七牛云已完成部署。同日Anthropic发布ClaudeSonnet4.5编程模型，性能显著提升。七牛云提供新模型体验，新用户可获300万免费Token。
DeepSeek-V3.2-Exp：稀疏注意力驱动长文本处理效率革命
gitblog_01083的博客
10-15 456
DeepSeek推出实验性模型DeepSeek-V3.2-Exp，创新引入DeepSeek Sparse Attention稀疏注意力机制，在保持输出质量的同时大幅提升长文本场景下的训练与推理效率，为大模型效率优化提供新范式。 ## 行业现状：长文本处理的效率困境 随着大语言模型应用场景不断扩展，长文本处理需求日益增长。从法律文档分析到代码库理解，从学术论文综述到多轮对话历史追踪，都要求模型能够...
DeepSeek V3.2 Exp正式发布了，提升处理长文本序列时的计算效率
weixin_41446370的博客
09-30 1408
DeepSeek-V3.2-Exp实验版本发布，引入创新的DeepSeek稀疏注意力机制(DSA)，在保持与V3.1-Terminus相当性能的同时，显著提升长文本处理效率。该版本采用与V3.1一致的训练配置进行严谨评估，在MMLU-Pro、GPQA等多项基准测试中表现优异。支持HuggingFace、SGLang和vLLM等多种运行方式，提供可读性内核(TileLang)和高性能CUDA内核(DeepGEMM/FlashMLA)。遵循MIT开源协议，推动高效Transformer架构研究。
【DeepSeek 论文精读】14. DeepSeek-V3.2-Exp 技术报告（TileLang算子）
youcans的博客
10-24 1431
DeepSeek 发布实验性模型 V3.2-Exp，引入DeepSeek稀疏注意力（DSA），显著提升长文本处理效率。本文详细介绍 DeepSeek-V3.2-Exp 技术报告，并提供本地部署方案的技术实现。
deepseek3.2 exp注意力优化机制DSA
rstroller的博客
10-12 856
DeepSeek-V3.2-Exp引入了DSA（DeepSeek Sparse Attention）稀疏注意力机制，在MLA（Multi-head Latent Attention）低秩压缩的基础上进一步优化长序列处理。DSA通过闪电索引器动态计算token相关性，仅选择最相关的k个token进行注意力计算，将复杂度从O(L²)降至O(Lk)。该机制采用两阶段训练：先稠密训练对齐索引器，再稀疏优化模型参数。DSA保留了MLA的压缩优势，结合稀疏计算显著提升了长文本处理的效率和内存利用率，同时保持模型性能。
【DeepSeek 论文精读】13. DeepSeek-V3.2-Exp 技术报告与部署实践
AI_zhiyu的博客
09-29 1988
DeepSeek 发布实验性模型 V3.2-Exp，引入DeepSeek稀疏注意力（DSA），显著提升长文本处理效率。本文详细介绍 DeepSeek-V3.2-Exp 技术报告，并提供本地部署方案的技术实现。
开工不累，双强护航：文心快码接入 DeepSeek-V3.2-Exp和 GLM-4.6，助你节后高效Coding
2401_86237385的博客
10-09 297
目前可在文心快码中使用DeepSeek-V3.2-Exp、GLM-4.6两大最新模型完成开发任务。
全品类电商AI助手诞生，AI试衣+万饰穿戴+图生视频，覆盖全链路
Dreamshop_AI的博客
12-19 1384
DreamshopAI升级推出三大核心功能，全面革新电商视觉生产流程：AI试衣功能通过智能识别服装款式和材质，7-15天模特拍摄缩短至几分钟；万饰穿戴功能突破品类限制，精准还原珠宝、箱包等商品的材质细节；图生视频功能将静态图片转化为高质量短视频，大幅降低视频制作门槛。系统基于千万级电商数据训练，能自动适配不同市场需求，并推出AI试衣屏Dreamfit实现线上线下体验闭环。此次升级使AI成为电商运营的核心生产力工具，将传统视觉制作效率提升3倍以上，推动电商行业进入智能化新阶段。
深入NVIDIA Nemotron-3：高效准确的技术、工具与数据深度解析
专注于人工智能领域的小何尚
12-18 907
摘要：NVIDIA Nemotron-3技术解析 NVIDIA Nemotron-3系列模型为构建专业AI智能体提供了突破性解决方案。该系列采用创新的混合Mamba-Transformer MoE架构，结合状态空间模型(Mamba)的长序列处理能力、Transformer的精确推理和MoE的高效计算，支持高达100万token的上下文处理。模型通过NeMo Gym多环境强化学习框架训练，使智能体掌握复杂任务执行能力。技术亮点包括：1)混合架构实现超长上下文推理；2)开源RL训练环境支持智能体开发；3)原生支
[LLM]AIM: Adaptive Inference of Multi-Modal LLMs via Token Merging and Pruning
天下事有难易乎？为之，则难者亦易矣；不为，则易者亦难矣。人之为学有难易乎？学之，则难者亦易矣；不学，则易者亦难矣。
12-20 587
本文提出AIM框架，一种无需训练的多模态大语言模型(MLLMs)推理加速方法。通过双阶段设计：在LLM前基于相似度合并视觉Token，在LLM内基于注意力重要性剪枝Token，显著降低计算量。实验表明，该方法在视频理解任务中可减少6.8倍FLOPs，在图像任务中保持3.7倍加速的同时维持性能。关键发现包括：75%视觉Token冗余、LLM早期层侧重跨模态融合而后期侧重文本推理、跨帧合并会损害视频理解等。该方法支持动态调整压缩比例，为资源受限环境下的高效多模态推理提供了实用解决方案。
企业级 RAG 问答系统开发上线流程分析
最新发布
hello！
12-22 719
这个项目流程是一个非常典型的。
界面重构与本地化实践：凤希AI伴侣的自动化演进思考 凤希AI伴侣2025年12月21日
12-21 519
昨日工作总结：完成凤希AI伴侣三项核心开发：1）重构模型选择界面，实现弹窗式分类展示；2）成功测试本地大模型的OCR功能；3）优化配置数据存储方案，采用本地存储+版本管理提升效率。同时深入探讨了AI工具自动化的本质价值——解放人类创造力。今日计划新增内容管理模块，实现H5页面文案和运营推广文案的系统化沉淀。全文由凤希AI智能生成，展现AI辅助工作的实际应用价值。
Yolov10n-ReCalibrationFPN-P3456在茶树褐斑病检测中的应用与实践
Dekesas9695的博客
12-21 968
本文提出了一种基于Yolov10n-ReCalibrationFPN-P3456的茶树褐斑病检测方法。通过引入ReCalibration模块增强特征表达能力，改进FPN结构优化多尺度特征融合，并设计P3456特征金字塔提升小目标检测能力。在自建数据集上的实验表明，该方法实现了92.6%的mAP和259FPS的推理速度，显著优于YOLOv5n/YOLOv8n等主流模型。该轻量化模型适合边缘设备部署，为茶树病害智能检测提供了高效解决方案。
基于MATLAB的MFCC特征提取与SVM训练实现
wuk998的博客
12-19 455
MFCC（Mel频率倒谱系数）是一种模拟人耳听觉特性的特征提取方法，广泛应用于语音识别、情感分析等领域
DeepSeek V3.2 EXP напиш код и как работать с ней открыто
10-09
DeepSeek V3.2 — это крупномасштабная языковая модель, разработанная компанией DeepSeek. На данный момент **DeepSeek предост...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值