DeepSeek-V3.2

Hvad er DeepSeek v3.2?

DeepSeek v3.2 er den nyeste produktionsudgivelse i DeepSeek V3-familien: en stor open-weight sprogmodelfamilie med fokus på ræsonnement, designet til forståelse af lange kontekster, robust agent-/værktøjsbrug, avanceret ræsonnement, kodning og matematik. Udgivelsen samler flere varianter (produktion V3.2 og en højtydende V3.2-Speciale). Projektet lægger vægt på omkostningseffektiv inferens med lange kontekster gennem en ny sparsom attention-mekanisme kaldet DeepSeek Sparse Attention (DSA) samt agent- og “thinking”-arbejdsgange (“Thinking in Tool-Use”).

Hovedfunktioner (overordnet)

• DeepSeek Sparse Attention (DSA): en sparse-attention-mekanisme, der har til formål dramatisk at reducere beregning i scenarier med lange kontekster, samtidig med at ræsonnement over lange afstande bevares. (Kerneforskningspåstand; bruges i V3.2-Exp.)
• Agentisk tænkning + integration af værktøjsbrug: V3.2 lægger vægt på at indlejre “thinking” i værktøjsbrug: modellen kan arbejde i reasoning-/thinking-tilstande og i ikke-thinking-tilstande (normale) ved kald af værktøjer, hvilket forbedrer beslutningstagning i flertrinsopgaver og orkestrering af værktøjer.
• Stor pipeline til syntese af agentdata: DeepSeek rapporterer et træningskorpus og en agent-syntesepipeline, der spænder over tusindvis af miljøer og titusindvis af komplekse instruktioner for at forbedre robustheden i interaktive opgaver.
• DeepSeek Sparse Attention (DSA): DSA er en finkornet sparse attention-metode introduceret i V3.2-linjen (først i V3.2-Exp), som reducerer attention-kompleksiteten (fra naiv O(L²) til en O(L·k)-stil, hvor k ≪ L) ved at vælge et mindre sæt key/value-tokens pr. query-token. Resultatet er væsentligt lavere hukommelses- og beregningsforbrug for meget lange kontekster (128K), hvilket gør inferens med lange kontekster markant billigere.
• Mixture-of-Experts (MoE)-rygrad og Multi-head Latent Attention (MLA): V3-familien bruger MoE til at øge kapaciteten effektivt (store nominelle parametertal med begrænset aktivering pr. token) sammen med MLA-metoder for at bevare kvaliteten og kontrollere beregningsforbruget.

Tekniske specifikationer (kort tabel)

• Nominelt parameterområde: ~671B – 685B (afhænger af variant).
• Kontekstvindue (dokumenteret reference): 128.000 tokens (128K) i vLLM-/referencekonfigurationer.
• Attention: DeepSeek Sparse Attention (DSA) + MLA; reduceret attention-kompleksitet for lange kontekster.
• Numerisk- og træningspræcision: BF16 / F32 og komprimerede kvantiserede formater (F8_E4M3 osv.) tilgængelige til distribution.
• Arkitekturfamilie: MoE (mixture-of-experts)-rygrad med økonomisk aktivering pr. token.
• Input / output: standard tokeniseret tekstinput (chat-/beskedformater understøttes); understøtter tool-calls (API-primitiver til værktøjsbrug) samt både interaktive chat-lignende kald og programmatiske completions via API.
• Tilbudte varianter: v3.2, v3.2-Exp (eksperimentel, DSA-debut), v3.2-Speciale (reasoning-first, kun API på kort sigt).

Benchmark-ydeevne

Højberegnings-V3.2-Speciale når paritet med eller overgår samtidige high-end-modeller på flere benchmarks for ræsonnement/matematik/kodning og opnår topresultater på udvalgte elite-matematikopgavesæt. Preprintet fremhæver paritet med modeller som GPT-5 / Kimi K2 på udvalgte ræsonnementsbenchmarks samt specifikke forbedringer i forhold til tidligere DeepSeek R1/V3-basislinjer:

• AIME: forbedret fra 70.0 til 87.5 (Δ +17.5).
• GPQA: 71.5 → 81.0 (Δ +9.5).
• LCB_v6: 63.5 → 73.3 (Δ +9.8).
• Aider: 57.0 → 71.6 (Δ +14.6).

Sammenligning med andre modeller (overordnet)

• Sammenlignet med GPT-5 / Gemini 3 Pro (offentlige påstande): DeepSeek-forfatterne og flere pressemedier hævder paritet eller overlegenhed på udvalgte ræsonnements- og kodningsopgaver for Speciale-varianten, samtidig med at de fremhæver omkostningseffektivitet og åben licensering som differentierende faktorer.
• Sammenlignet med åbne modeller (Olmo, Nemotron, Moonshot osv.): DeepSeek fremhæver agentisk træning og DSA som centrale differentierende faktorer for effektivitet ved lange kontekster.

Repræsentative anvendelsestilfælde

• Agentiske systemer / orkestrering: multiværktøjsagenter (API’er, webscrapere, kodeeksekveringsforbindelser), der drager fordel af modelniveau-“thinking” + eksplicitte tool-call-primitiver.
• Ræsonnement / analyse af lange dokumenter: juridiske dokumenter, store forskningskorpora, mødeudskrifter — varianter med lang kontekst (128k tokens) gør det muligt at bevare meget store kontekster i et enkelt kald.
• Kompleks matematik- og kodningsassistance: V3.2-Speciale markedsføres til avanceret matematisk ræsonnement og omfattende kodefejlretning ifølge leverandørens benchmarks.
• Omkostningsfølsomme produktionsimplementeringer: DSA + prisændringer har til formål at reducere inferensomkostninger for arbejdsbelastninger med høj kontekst.

Sådan kommer du i gang med at bruge DeepSeek v3.2 API

DeepSeek v3.2 API-priser i CometAPI, 20% rabat i forhold til den officielle pris:

Påkrævede trin

• Log ind på cometapi.com. Hvis du endnu ikke er bruger hos os, skal du først registrere dig
• Hent adgangsoplysningerne i form af en API-nøgle til interfacet. Klik på “Add Token” under API-token i det personlige center, hent token-nøglen: sk-xxxxx, og indsend den.
• Hent URL’en til dette site: https://api.cometapi.com/

Brugsmetode

1. Vælg endepunktet “deepseek-v3.2” for at sende API-anmodningen, og angiv request body. Anmodningsmetoden og request body findes i API-dokumentationen på vores website. Vores website tilbyder også Apifox-test for din bekvemmelighed.
2. Erstat <YOUR_API_KEY> med din faktiske CometAPI-nøgle fra din konto.
3. Vælg formatet Chat: Indsæt dit spørgsmål eller din anmodning i content-feltet — det er det, modellen vil svare på.
4. Behandl API-responsen for at få det genererede svar.