【作者主页】Francek Chen
【专栏介绍】$\lceil$人工智能与大模型应用$\rfloor$ 人工智能（AI）通过算法模拟人类智能，利用机器学习、深度学习等技术驱动医疗、金融等领域的智能化。大模型是千亿参数的深度神经网络（如ChatGPT），经海量数据训练后能完成文本生成、图像创作等复杂任务，显著提升效率，但面临算力消耗、数据偏见等挑战。当前正加速与教育、科研融合，未来需平衡技术创新与伦理风险，推动可持续发展。

---

前言

数字化时代，大模型迅速崛起并重塑生活、工作和社会运行逻辑，为各行业带来变革与机遇。DeepSeek 以出色自然语言理解和推理能力，推动人机交互迈向新高度。本文将深入探讨蓝耘 MaaS（Model as a Service）平台与深度学习的关系，详细介绍该平台特点与优势，重点阐述其与 DeepSeek-V3.2 模型融合亮点，结合应用 Cherry Studio 拓展实例。

一、DeepSeek-V3.2 版本更新概述

2025 年 9 月 29 日，DeepSeek-V3.2-Exp 正式发布，这是模型的实验版本。作为迈向下一代架构的中间步骤，V3.2-Exp 在 V3.1-Terminus 的基础上引入了 DeepSeek 稀疏注意力，这是一种稀疏注意力机制，旨在探索和验证长上下文场景中训练和推理效率的优化。

这个实验性版本代表了我们对更高效的变压器架构的持续研究，特别是在处理扩展文本序列时提高计算效率。

图1 V3.2-Exp和V3.1-Terminus的算力消耗对比

DeepSeek 稀疏注意力（DSA）首次实现了细粒度稀疏注意力，在长上下文训练和推理效率方面提供了实质性的改进，同时保持了几乎相同的模型输出质量。为了严格评估引入稀疏注意力的影响，特意将 DeepSeek-V3.2-Exp 的训练配置与 V3.1-Terminus 对齐。在各个领域的公共基准测试中，DeepSeek-V3.2-Exp 展示了与 V3.1-Terminus 相当的性能。

2025 年 12 月 1 日，DeepSeek 正式发布两款全新模型：DeepSeek-V3.2 标准版与 DeepSeek-V3.2-Speciale 增强版，分别面向日常应用与极致推理场景。

图2 DeepSeek-V3.2与主流模型性能对比

DeepSeek-V3.2 标准版聚焦于日常任务与通用智能体需求，在推理能力与输出效率间取得出色平衡。它在多项公开推理基准测试中与顶级模型表现相当，同时显著降低了计算成本与响应时间，输出精炼高效，具备优秀的实用性与性价比。

DeepSeek-V3.2-Speciale 则致力于突破推理能力的边界，作为长思考增强版，它在高难度数学证明、逻辑验证等任务上展现出卓越性能，已在 IMO、CMO 等顶级竞赛中取得金牌级成绩。该版本暂不支持工具调用且计算消耗较高，目前主要面向研究用途。

二、蓝耘 MaaS 平台使用 DeepSeek-V3.2 模型

（一）注册蓝耘智算平台账号

点击注册链接：https://cloud.lanyun.net//#/registerPage?promoterCode=0131

输入手机号获取验证码，输入邮箱（这里邮箱会收到信息，要激活邮箱），设置密码，点击注册。如图3所示。

图3 注册蓝耘智算平台账号

新用户福利：注册后可领取免费试用时长（20元代金券，可直接当余额来使用）。

若已经注册过帐号，点击下方“已有账号，立即登录”即可。

（二）进入蓝耘 MaaS 模型广场

登录后进入首页，点击“MaaS平台”。接着进入 MaaS 平台的模型广场。在这里，用户可以看到多种来自不同供应商的模型，如 DeepSeek、通义等。页面详细列出了模型名称、类型（如文本生成）、上下文长度等信息，还提供了 API 示例、查看详情和立即体验等操作选项。图4中展示的是蓝耘元生代 MaaS 平台的模型广场页面。

图4 蓝耘MaaS平台模型广场

然后，找到 DeepSeek-V3.2 大模型，点击“立即体验”。如图5所示。

图5 蓝耘MaaS平台模型广场→DeepSeek-V3.2模型

图6中展示的是蓝耘元生代 MaaS 平台的对话界面。左侧是功能导航栏，包含模型广场、文本模型等选项。对话框上方是模型选择区域，点击可展开选择如 DeepSeek-V3.2、QwQ-32B 等多种模型。下方是对话输入区，用户可输入问题，有“深度思考”“联网搜索”“知识库”等功能按钮，输入框显示 token 限制。这里选择的是“DeepSeek-V3.2”模型。

图6 蓝耘MaaS平台对话界面

（三）使用 DeepSeek-V3.2 模型生成代码

生成有关机器学习聚类的代码，提示词如下：

帮我生成一段关于机器学习聚类的代码，要求使用scikit-learn库。

输出结果如图7所示。升级的 DeepSeek-V3.2 模型思考效率较 R1 有了很大的提升，本次对话仅用了 1.5 秒的思考时间！

图7 DeepSeek-V3.2 模型生成代码结果

此次对话输出2244tokens，总耗时14.2s，共消耗2265tokens。该对话token消耗的数量=输入token数+输出token数。

输出代码如下：

# 导入必要的库
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans, DBSCAN, AgglomerativeClustering
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import silhouette_score
from sklearn.decomposition import PCA
import warnings
warnings.filterwarnings('ignore')

# 1. 创建示例数据集
print("=== 创建数据集 ===")
# 生成300个样本，4个中心点（聚类）
X, y_true = make_blobs(n_samples=300, centers=4, cluster_std=0.60, random_state=42)

# 数据标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

print(f"数据集形状: {X.shape}")
print(f"前5个样本:\n{X[:5]}")

# 2. 使用KMeans聚类
print("\n=== KMeans聚类 ===")
kmeans = KMeans(n_clusters=4, random_state=42)
kmeans_labels = kmeans.fit_predict(X_scaled)
kmeans_centers = kmeans.cluster_centers_

print(f"聚类中心:\n{kmeans_centers}")
print(f"轮廓系数: {silhouette_score(X_scaled, kmeans_labels):.4f}")

# 3. 使用DBSCAN聚类（基于密度）
print("\n=== DBSCAN聚类 ===")
dbscan = DBSCAN(eps=0.3, min_samples=10)
dbscan_labels = dbscan.fit_predict(X_scaled)

# 计算DBSCAN的轮廓系数（排除噪声点）
if len(np.unique(dbscan_labels)) > 1:
    dbscan_silhouette = silhouette_score(X_scaled[dbscan_labels != -1], 
                                        dbscan_labels[dbscan_labels != -1])
    print(f"聚类数量: {len(np.unique(dbscan_labels[dbscan_labels != -1]))}")
    print(f"轮廓系数: {dbscan_silhouette:.4f}")
else:
    print("DBSCAN只找到了1个聚类")

# 4. 使用层次聚类
print("\n=== 层次聚类 ===")
agg_clustering = AgglomerativeClustering(n_clusters=4)
agg_labels = agg_clustering.fit_predict(X_scaled)
print(f"轮廓系数: {silhouette_score(X_scaled, agg_labels):.4f}")

# 5. 可视化结果
fig, axes = plt.subplots(2, 2, figsize=(14, 10))

# 原始数据
axes[0, 0].scatter(X[:, 0], X[:, 1], c=y_true, cmap='viridis', s=50, alpha=0.8)
axes[0, 0].set_title('原始数据（真实标签）')
axes[0, 0].set_xlabel('特征1')
axes[0, 0].set_ylabel('特征2')

# KMeans结果
axes[0, 1].scatter(X[:, 0], X[:, 1], c=kmeans_labels, cmap='viridis', s=50, alpha=0.8)
axes[0, 1].scatter(kmeans_centers[:, 0] * scaler.scale_[0] + scaler.mean_[0],
                   kmeans_centers[:, 1] * scaler.scale_[1] + scaler.mean_[1],
                   c='red', s=200, marker='X', label='聚类中心')
axes[0, 1].set_title('KMeans聚类结果')
axes[0, 1].set_xlabel('特征1')
axes[0, 1].set_ylabel('特征2')
axes[0, 1].legend()

# DBSCAN结果
unique_labels = np.unique(dbscan_labels)
colors = plt.cm.viridis(np.linspace(0, 1, len(unique_labels)))
for k, col in zip(unique_labels, colors):
    if k == -1:
        col = 'gray'  # 噪声点为灰色
    class_member_mask = (dbscan_labels == k)
    xy = X[class_member_mask]
    axes[1, 0].scatter(xy[:, 0], xy[:, 1], c=[col], s=50, alpha=0.8)
axes[1, 0].set_title('DBSCAN聚类结果')
axes[1, 0].set_xlabel('特征1')
axes[1, 0].set_ylabel('特征2')

# 层次聚类结果
axes[1, 1].scatter(X[:, 0], X[:, 1], c=agg_labels, cmap='viridis', s=50, alpha=0.8)
axes[1, 1].set_title('层次聚类结果')
axes[1, 1].set_xlabel('特征1')
axes[1, 1].set_ylabel('特征2')

plt.tight_layout()
plt.show()

# 6. 确定最佳聚类数（肘部法则）
print("\n=== 确定最佳聚类数 ===")
inertia = []
silhouette_scores = []
K_range = range(2, 11)

for k in K_range:
    kmeans = KMeans(n_clusters=k, random_state=42)
    kmeans.fit(X_scaled)
    inertia.append(kmeans.inertia_)
    
    if k > 1:  # 轮廓系数至少需要2个聚类
        silhouette_scores.append(silhouette_score(X_scaled, kmeans.labels_))

# 绘制肘部法则图
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 4))

ax1.plot(K_range, inertia, 'bo-')
ax1.set_xlabel('聚类数量')
ax1.set_ylabel('SSE（误差平方和）')
ax1.set_title('肘部法则')
ax1.grid(True)

ax2.plot(K_range[1:], silhouette_scores, 'ro-')
ax2.set_xlabel('聚类数量')
ax2.set_ylabel('轮廓系数')
ax2.set_title('轮廓系数评估')
ax2.grid(True)

plt.tight_layout()
plt.show()

# 7. 实战示例：聚类新数据
print("\n=== 实战示例 ===")
# 创建新的测试数据
new_data = np.array([[0, 2], [8, -4], [-5, 3]])
new_data_scaled = scaler.transform(new_data)

# 使用训练好的KMeans模型预测新数据的聚类
new_predictions = kmeans.predict(new_data_scaled)
print(f"新数据: {new_data}")
print(f"预测的聚类标签: {new_predictions}")

# 8. 高维数据的聚类（使用PCA降维可视化）
print("\n=== 高维数据聚类示例 ===")
# 创建高维数据集
X_high_dim, _ = make_blobs(n_samples=500, n_features=10, centers=5, random_state=42)

# 标准化
X_high_dim_scaled = StandardScaler().fit_transform(X_high_dim)

# 使用KMeans聚类
kmeans_high = KMeans(n_clusters=5, random_state=42)
labels_high = kmeans_high.fit_predict(X_high_dim_scaled)

# 使用PCA降维到2维进行可视化
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X_high_dim_scaled)

plt.figure(figsize=(8, 6))
plt.scatter(X_pca[:, 0], X_pca[:, 1], c=labels_high, cmap='tab20', s=50, alpha=0.7)
plt.xlabel('PCA 主成分1')
plt.ylabel('PCA 主成分2')
plt.title('高维数据聚类结果（PCA可视化）')
plt.colorbar(label='聚类标签')
plt.show()

print("代码执行完成！")

三、使用 Cherry Studio 接入蓝耘 DeepSeek-V3.2 API

（一）添加 DeepSeek-V3.2 模型

首先，在模型管理界面中，找到 DeepSeek-V3.2 模型，并点击“+”号进行添加。

图8 添加模型DeepSeek-V3.2

（二）蓝耘平台获取 API 密钥

然后，再回到蓝耘 MaaS 平台获取专属 API KEY。

图9 获取蓝耘平台API密钥

（三）检测 Cherry Studio 连接 API

最后，再次回到 Cherry Studio 验证 API 和模型名称是否正确。

图10 验证API是否连接成功

四、测试验证模型对话

输入提示词：

请为我规划一次为期一周的连云港自由行；
（1）第1步：列出必去的景点，如江苏海洋大学、花果山、连岛景区、云台山、桃花涧风景区、海州古城；
（2）第2步：根据景点位置安排每日行程，确保交通便利；
（3）第3步：推荐几家当地的特色餐厅，包括早餐、午餐和晚餐；
（4）第4步：提供一家性价比高的酒店住宿建议，并考虑其位置是否便于游览。

图11 输入提示词开启对话

小结

本文先介绍数字化时代大模型发展背景，引出蓝耘 MaaS 平台与 DeepSeek-V3.2 模型。接着概述 DeepSeek-V3.2 版本更新，包括实验版本引入稀疏注意力机制，以及标准版和增强版的特点。随后说明在蓝耘 MaaS 平台使用 DeepSeek-V3.2 模型的方法，如注册账号、进入模型广场、生成代码等。最后介绍用 Cherry Studio 接入蓝耘 DeepSeek-V3.2 API 的步骤，包括添加模型、获取密钥、验证连接和测试对话。

欢迎 点赞👍 | 收藏⭐ | 评论✍ | 关注🤗