# DeepSeek V3.2 rivalise avec GPT-5 grâce à la DSA > DeepSeek V3.2 ajoute l’attention sparse DSA à l’architecture de V3 et adopte un modèle hybride, avec des poids ouverts et un entraînement RL. Type : Actualité IA · Catégorie : Outils · Publié le 2026-09-30 · Signal IA - Order & Chaos Source : https://www.orderchaos.eu/signal-ia/actu/deepseek-v32-muscle-son-ia-avec-lattention-dsa Tags : deepseek, modèles ouverts, raisonnement, attention sparse, ia générative, chatgpt, gemini, qwen --- ## En résumé - DeepSeek V3.2 reprend l’architecture MoE et MLA de DeepSeek V3. - Le mécanisme DSA sélectionne les tokens utiles pour réduire le contexte traité. - Le modèle V3.2 combine les modes instruct et raisonnement dans un même modèle. **Le signal :** DeepSeek V3.2 associe l’attention sparse DSA, l’architecture MoE et un mode hybride instruct-raisonnement. **DeepSeek V3.2** a été présenté comme le nouveau modèle phare de DeepSeek, après DeepSeek V3.1 et V3.2-Exp. Selon l’analyse de Sebastian Raschka, il atteint un niveau de performance comparable à GPT-5 et Gemini 3.0 Pro sur les comparaisons citées. Le modèle est aussi disponible avec des poids ouverts. Sa principale évolution technique concerne DeepSeek Sparse Attention, ou DSA. Cette attention sparse vise à réduire le contexte traité pendant l’inférence. V3.2 reprend également l’architecture générale de DeepSeek V3. L’évolution porte donc sur l’attention, le [raisonnement](/signal-ia/actu/deepseek-v32-combine-attention-parcimonieuse-et-raisonnement) et l’entraînement. [Lire l’analyse technique de Sebastian Raschka](https://magazine.sebastianraschka.com/p/technical-deepseek). **Une trajectoire progressive** [DeepSeek](/signal-ia/actu/13-ia-revelent-le-mario-quelles-imaginent) V3 est sorti en décembre 2024 comme modèle de base. DeepSeek R1 a ensuite utilisé la même architecture, avec un post-entraînement orienté vers le raisonnement. Le succès de R1 a contribué à positionner DeepSeek face aux modèles propriétaires d’OpenAI, Google, xAI et Anthropic. DeepSeek V3.1 a ensuite adopté un format hybride. Les utilisateurs pouvaient passer du mode conversationnel au mode raisonnement grâce au modèle de dialogue. DeepSeek V3.2 poursuit cette direction. L’équipe a aussi publié V3.2-Exp en septembre 2025. Cette version expérimentale devait préparer l’infrastructure d’inférence et de déploiement nécessaire au modèle V3.2. ## DeepSeek conserve son architecture **MoE et MLA** DeepSeek V3 utilise une architecture Mixture-of-Experts, ou MoE, ainsi que Multi-Head Latent Attention, ou MLA. MLA compresse les tenseurs de clés et de valeurs avant leur stockage dans le cache KV. Lors de l’inférence, ces tenseurs sont projetés vers leur taille initiale avant utilisation. Cette opération ajoute une multiplication matricielle, mais réduit la mémoire nécessaire au cache. DeepSeek V2 avait déjà introduit MLA. DeepSeek V3, R1 et leurs versions associées partagent cette caractéristique architecturale. DeepSeek R1 ne modifie donc pas l’architecture de V3. Sa différence principale vient de son entraînement, notamment avec le renforcement à récompenses vérifiables. **Le raisonnement change** DeepSeek R1 a utilisé le RLVR pour renforcer les capacités de raisonnement. Cette méthode s’appuie sur des réponses vérifiables par des outils symboliques ou programmatiques, notamment pour les mathématiques et le code. L’algorithme GRPO simplifie PPO en supprimant le modèle critique. Le RLVR avec GRPO retire également le modèle de récompense lorsque les résultats peuvent être vérifiés directement. DeepSeek V3.1 a ensuite réuni conversation générale et raisonnement dans un seul modèle. Sebastian Raschka estime que V3.2 pourrait poursuivre cette recherche d’un modèle général adapté à plusieurs usages. Il présente toutefois l’hypothèse d’un éventuel R2 comme une possibilité, pas comme une annonce. ## DSA sélectionne les tokens utiles **Attention sparse** DeepSeek V3.2-Exp a été entraîné à partir de DeepSeek V3.1-Terminus. Cette version constituait une amélioration limitée du point de contrôle V3.1. L’équipe lui a ensuite ajouté DeepSeek Sparse Attention par un entraînement complémentaire. DSA comprend un indexeur lightning et un sélecteur de tokens. Le mécanisme sélectionne une partie du contexte au lieu de traiter chaque élément avec la même attention. Le rapport technique décrit des gains d’efficacité pendant l’entraînement et l’inférence, particulièrement pour les contextes longs. V3.2-Exp nécessitait toutefois du code personnalisé, car son attention sparse ne suivait pas le fonctionnement standard des mécanismes d’attention. **Des modèles plus flexibles** Le passage de R1 à V3.1 et V3.2 illustre une évolution vers le modèle hybride. Qwen3 avait initialement proposé une approche comparable, avec un basculement entre raisonnement et absence de raisonnement. L’équipe [Qwen](/signal-ia/actu/databricks-revolutionne-lia-avec-dbrx) a ensuite publié des modèles instruct et raisonnement séparés, car ils étaient plus simples à développer et obtenaient de meilleures performances dans leurs usages respectifs. DeepSeek a suivi la direction inverse dans les versions V3.1 et V3.2. Cette organisation permet aux utilisateurs de sélectionner le mode via le modèle de dialogue. Elle distingue V3.2 de R1, qui reste un modèle dédié au raisonnement. ## V3.2 prépare le déploiement **Une version expérimentale** DeepSeek V3.2-Exp, publiée en septembre 2025, n’a pas dominé les évaluations lors de sa sortie. Sebastian Raschka l’interprète comme une étape destinée à préparer l’écosystème technique. La version devait notamment tester les outils d’inférence et de déploiement avant la sortie de V3.2. Cette lecture s’appuie sur la présence de changements architecturaux liés à DSA. Le modèle final V3.2 n’est pas présenté comme V4. Il reprend la base de V3, conserve MoE et MLA, puis ajoute l’attention sparse et le raisonnement hybride. Le [rapport technique de DeepSeek V3.2](https://huggingface.co/deepseek-ai/DeepSeek-V3.2/blob/main/assets/paper.pdf) détaille cette évolution architecturale.