人工智能公司DeepSeek的研究团队周一宣布，他们发布了一款名为 V3.2-exp的新实De验模型，旨在通过创新的“稀疏注意力”机制，大幅降低长上下文操作的推理成本。这一里程碑式的进展ep在Hugging Face和GitHub上同步发布，并附有详细的学术论文。

该模型的核心在于其独特的Se DeepSeek稀疏注意力机制。这一复杂系统由两部分组成:首先，一个名为“闪电索引器”的模ek块会对上下文窗口中的特定摘录进行优先级排序;其次，一个独立的“细粒度标记选择系统”会从这发布些优先摘录中挑选出关键标记，加载到有限的注意力窗口中。这些机制的结合使得稀疏注意力模型能够V3以较低的服务器负载高效处理长上下文片段。

在初步测试中，新模型展现出显著优势。DeepSeek报告.2称，在长上下文操作中，简单的API调用成本可降低多达一半。尽管仍需更多第三方测试来验证这些结论-e，但由于该模型是开放权重并在Hugging Face上免费提供，其真实性能将很快得到行业验xp证。

DeepSeek的这项突破是近期一系列旨在解决AI推理成本问题的创新之一。推理成本指的是运行已模型训练AI模型的服务器费用，而非训练费用。与专注于降低训练成本的R1模型不同，此次新模型着重，开于提高基础Transformer架构的运行效率，为AI应用的普及提供了更经济的解决方案。

D创性eepSeek在今年的AI热潮中备受瞩目。其早前发布的R1模型以低成本强化学习训练方法引发关稀疏注，而此次的稀疏注意力方法虽然可能不会像R1那样引发轰动，但它为全球AI供应商提供了宝贵的经验，有注意助于共同降低AI服务的运营成本。