DeepSeek: DeepSeek V3.2

DeepSeek-V3.2: Efektywne Rozumowanie i Agentowa AI Wprowadzamy DeepSeek-V3.2, model, który harmonizuje wysoką efektywność obliczeniową z doskonałym rozumowaniem i wydajnością agenta. Nasze podejście opiera się na trzech kluczowych przełomach technicznych: 1. DeepSeek Sparse Attention (DSA): Wprowadzamy DSA, efektywny mechanizm uwagi, który znacznie redukuje złożoność obliczeniową przy zachowaniu wydajności modelu, szczególnie zoptymalizowany do scenariuszy z długim kontekstem. 2. Skalowalna Ramka Uczenia przez Wzmocnienie: Dzięki wdrożeniu solidnego protokołu RL i skalowaniu obliczeń po treningu, DeepSeek-V3.2 osiąga wyniki porównywalne z GPT-5. Co ważne, nasza wersja o wysokiej mocy obliczeniowej, DeepSeek-V3.2-Speciale, przewyższa GPT-5 i wykazuje biegłość w rozumowaniu na poziomie porównywalnym z Gemini-3.0-Pro. – Osiągnięcie: ? Wydajność na poziomie złotego medalu w 2025 roku na Międzynarodowej Olimpiadzie Matematycznej (IMO) oraz Międzynarodowej Olimpiadzie Informatycznej (IOI). 3. Pipeline Syntezy Zadań Agentowych na Wielką Skalę: Aby zintegrować rozumowanie w scenariuszach użycia narzędzi, opracowaliśmy nowy pipeline syntezy, który systematycznie generuje dane treningowe na dużą skalę. Umożliwia to skalowalne agentowe uczenie po treningu, poprawiając zgodność i generalizację w złożonych interaktywnych środowiskach. Opublikowaliśmy również ostateczne zgłoszenia na IOI 2025, ICPC World Finals, IMO 2025 i CMO 2025, które zostały wybrane na podstawie naszego zaprojektowanego pipeline'u. Materiały te są udostępnione społeczności do przeprowadzenia weryfikacji wtórnej. Pliki można znaleźć w assets/olympiad_cases. DeepSeek-V3.2 wprowadza znaczące aktualizacje do swojego szablonu czatu w porównaniu do wcześniejszych wersji. Główne zmiany dotyczą zmienionego formatu wywoływania narzędzi oraz wprowadzenia możliwości "myślenia z narzędziami". Aby pomóc społeczności w zrozumieniu i dostosowaniu się do tego nowego szablonu, udostępniliśmy dedykowany folder encoding, który zawiera skrypty Pythona i przypadki testowe demonstrujące, jak kodować wiadomości w formacie kompatybilnym z OpenAI na ciągi wejściowe dla modelu oraz jak analizować tekstowe wyjście modelu. 1. Ta wersja nie zawiera szablonu czatu w formacie Jinja. Proszę odwołać się do wspomnianego powyżej kodu Pythona. 2. Funkcja analizy wyjścia zawarta w kodzie jest zaprojektowana do obsługi tylko dobrze sformatowanych ciągów. Nie próbuje korygować ani odzyskiwać z błędnego wyjścia, które model może czasami generować. Nie nadaje się do użytku produkcyjnego bez solidnego zarządzania błędami. 3. W szablonie czatu wprowadzono nową rolę o nazwie developer. Ta rola jest dedykowana wyłącznie scenariuszom agentów wyszukiwania i nie jest przeznaczona do innych zadań. Oficjalne API nie akceptuje wiadomości przypisanych do developer. Struktura modelu DeepSeek-V3.2 i DeepSeek-V3.2-Speciale jest taka sama jak DeepSeek-V3.2-Exp. Proszę odwiedzić repozytorium DeepSeek-V3.2-Exp, aby uzyskać więcej informacji na temat uruchamiania tego modelu lokalnie.