长文本效率是核心变化
V3.2-Exp 的重点不是另换一套任务定位，而是通过 DSA 改变长文本的注意力计算方式。处理较长材料时，可围绕章节关系、跨段落约束和多处信息对照组织任务；架构效率优势不等同于每次请求都更快。
Overview
API
Pricing
规格与接口特性
在选型前明确容量、输入输出与调用方式。
- 版本定位
- DeepSeek-V3.2-Exp，实验版本
- 架构变化
- 基于 V3.1-Terminus，引入 DeepSeek Sparse Attention（DSA）
- 输入与输出
- 文本消息输入，助手文本回复
- 对话调用
- /deepseek/chat/completions；model 为 deepseek-v3.2-exp
- 会话方式
- messages 历史管理，或 /aichat2/conversations 托管会话
- 回复交付
- 完整 JSON 回答或流式文本；会话入口可使用 SSE、NDJSON
- 开放许可
- 原生模型仓库与权重采用 MIT 许可证
DSA 与实验版本定位属于原生模型特征，消息组织、会话保存和流式交付属于本平台调用方式。
核心能力
了解 deepseek-v3.2-exp 能为你的工作带来什么。
延续推理与代码能力
官方评测覆盖知识理解、数学推理、代码生成和工具使用，整体表现与 V3.1-Terminus 相当。用于编程时，可让它解释报错、比较实现方案并补充测试思路；价值在于辅助分析，而非把生成代码直接视为已验证成果。
两种方式组织多轮工作
需要精确控制上下文时，可用 Chat Completions 自行维护用户与助手消息。希望减少历史管理代码时，可使用会话入口保存对话并通过 id 续接。两种方式都能围绕同一任务逐步补充条件、修订回答和整理交付内容。
适用场景
从具体任务出发，找到模型发挥作用的位置。
材料比对与问题清单
将制度、需求说明或会议记录整理成带章节编号的文本，要求模型提取共同主题、相互矛盾的条款和待澄清问题。交付物可设为摘要、差异表与行动清单，并要求每项结论指向输入中的段落，方便人工回查。
代码审阅与修复草案
输入相关代码、错误日志、运行环境及预期行为，让模型先解释故障链条，再提出修改方案和测试用例。适合形成代码审阅意见或修复草案；涉及多个文件时，说明文件边界与调用关系，避免仅凭局部片段推断整个项目。
实验版本回归评估
对已有 DeepSeek 应用，可固定提示词、业务样本与验收规则，比较 V3.2-Exp 和 V3.1-Terminus 的输出。重点观察长材料摘要遗漏、代码修改正确性及多轮约束保持情况，形成可重复的评估记录，而不是只比较单次回答观感。
如何选择这个模型
结合任务复杂度、输入材料与预期结果选择。
何时选择 V3.2-Exp
当任务主要是文本分析、编程协助或复杂问题拆解，并且希望评估 DSA 架构下的输出表现时，可以选择此型号。对于已有 V3.1-Terminus 工作流，它更适合作为对照候选：官方整体评测相当，是否替换应由业务样本上的质量和稳定性决定。
不要把实验版当成正式版
名称中的 Exp 明确表示实验版本，不应与 DeepSeek-V3.2 正式版、deepseek-v3 或其他日期版本混用。若项目需要复现历史结果，应固定 deepseek-v3.2-exp 及消息组织方式；若准备采用其他版本，则重新验证关键任务，不默认所有参数和输出行为完全一致。
开始使用
从一次小规模任务到正式接入。
准备任务与材料
明确目标、必要输入与输出要求，使用真实业务样例作为起点。
在 API 调试区试用
打开试用页，确认此入口支持的参数，再提交小规模任务查看结果。
按 API 文档接入
保留完整模型 ID，使用文档规定的请求格式，并在 Pricing 页确认计费规则。
使用边界
在正式使用前，了解输出质量与能力范围。
- 长文本计算效率的改进不意味着材料越多越好。重复段落、无关日志和模糊指令仍会干扰分析；建议保留标题、编号和任务边界，较长任务按阶段输出，尤其要人工检查跨章节结论是否遗漏例外条件。
- 它的产品定位是文本对话，不宜按原生图像或语音模型设计工作流。处理扫描件、图表或录音时，应先准备可读文本，并保留必要的结构说明；视觉细节和声音信息不能仅靠文字摘要完整替代。
- 生成的代码、数学推导和工具使用建议都需要验证。普通文本请求不会自动运行程序或操作外部系统；代码修复应经过测试，涉及查询、写入或发布的工作流应配置执行环境，并明确权限与失败处理。
常见问题
解答使用 deepseek-v3.2-exp 时的常见疑问。
V3.2-Exp 与 V3.1-Terminus 最大的区别是什么？
主要区别是引入 DSA 稀疏注意力，重点探索长上下文训练与推理效率。官方保持相近训练配置进行比较，整体评测表现相当，因此它不是所有任务全面增强的版本，更适合通过实际样本判断变化。
Exp 是否就是 DeepSeek-V3.2 正式版？
不是。Exp 是实验版本名称的一部分，调用时应使用 deepseek-v3.2-exp。需要复现结果或维护回归测试时，应同时保存模型 ID、提示词和输入材料，避免切换到其他版本后仍把结果当作同一次实验。
怎样让它继续上一轮对话？
使用 Chat Completions 时，将必要的历史用户消息和助手回复放入 messages。使用会话入口时，可开启 stateful 并保存返回的 id，下一轮带回该 id 继续交流；前者便于精细控制，后者减少历史管理工作。
如何处理较长文档更有效？
先把材料整理为带标题和段落编号的文本，明确要提取的信息、比较维度与输出格式。可先生成章节摘要，再追问差异和结论；要求回答关联具体段落，有助于回查，也比一次提出大量不相关问题更易验收。
调用后应读取哪些结果？
Chat Completions 的文本回答位于 choices 中的 message.content，可结合 finish_reason 判断是否正常结束或触及长度限制。会话入口的 JSON 结果读取 answer 与 id；使用流式交付时，需要按顺序拼接增量文本。
模型资料 · 更新日期：2026-10-01。调用参数与计费规则请查看 API 和定价栏目。
Input
$0.24per 1M tokens
Official $0.27
Output
$0.96per 1M tokens
Official $1.10
−11%vs official
Top-up
You pay$13,584for 142,800 credits · $0.0951 / credits46% OFF
You're billed in credits. Pick a top-up tier to see its per-credit rate — the larger the top-up, the cheaper each credit.
Quickstart
Try the API
API Key
Please obtain an API Key first
This is only a basic call example. See the full docs for more parameters and advanced usage.
View Docs