DeepSeek-V3.2

Hvad er DeepSeek v3.2?

DeepSeek v3.2 er den seneste produktionsudgivelse i DeepSeek V3-familien: en stor, ræsonnering-først open-weight sprogmodelfamilie designet til forståelse af lange kontekster, robust agent-/værktøjsbrug, avanceret ræsonnering, kodning og matematik. Udgivelsen omfatter flere varianter (produktions-V3.2 og en højtydende V3.2-Speciale). Projektet lægger vægt på omkostningseffektiv inferens på lange kontekster via en ny sparse attention-mekanisme kaldet DeepSeek Sparse Attention (DSA) og agent-/“tænkning”-arbejdsgange (“Thinking in Tool-Use”).

Hovedfunktioner (overordnet niveau)

• DeepSeek Sparse Attention (DSA): en sparse-attention-mekanisme, der har til formål at reducere beregningsforbrug dramatisk i langkontekstscenarier, samtidig med at langtrækkende ræsonnering bevares. (Kerneforskningspåstand; bruges i V3.2-Exp.)
• Agentbaseret tænkning + integration af værktøjsbrug: V3.2 lægger vægt på at indlejre “tænkning” i værktøjsbrug: Modellen kan køre i ræsonnerings-/tænkemodus og i ikke-tænkende (normale) tilstande ved værktøjskald, hvilket forbedrer beslutningstagning i flertrinsopgaver og orkestrering af værktøjer.
• Storskala pipeline til syntese af agentdata: DeepSeek rapporterer et træningskorpus og en agent-syntesepipeline, der spænder over tusindvis af miljøer og titusinder af komplekse instruktioner for at forbedre robusthed i interaktive opgaver.
• DeepSeek Sparse Attention (DSA): DSA er en finkornet sparse attention-metode introduceret i V3.2-linjen (først i V3.2-Exp), der reducerer opmærksomhedskompleksitet (fra naiv O(L²) til en O(L·k)-stil med k ≪ L) ved at vælge et mindre sæt key/value-tokens pr. query-token. Resultatet er væsentligt lavere hukommelses-/compute-krav for meget lange kontekster (128K), hvilket gør inferens på lange kontekster materielt billigere.
• Mixture-of-Experts (MoE)-rygrad og Multi-head Latent Attention (MLA): V3-familien bruger MoE til effektivt at øge kapaciteten (store nominelle parametertællinger med begrænset aktivering pr. token) sammen med MLA-metoder for at bevare kvalitet og kontrollere compute.

Tekniske specifikationer (kort)

• Nominelt parameterområde: ~671B – 685B (afhænger af varianten).
• Kontekstvindue (dokumenteret reference): 128,000 tokens (128K) i vLLM/reference configs.
• Attention: DeepSeek Sparse Attention (DSA) + MLA; reduceret opmærksomhedskompleksitet for lange kontekster.
• Numerisk & træningspræcision: BF16 / F32 og komprimerede kvantiserede formater (F8_E4M3 osv.) tilgængelige for distribution.
• Arkitekturfamilie: MoE (mixture-of-experts) rygrad med per-token aktiveringsøkonomi.
• Input / output: standard tokeniseret tekstinput (chat-/meddelelsesformater understøttes); understøtter tool-calls (tool-use API-primitiver) samt både interaktive chat-lignende kald og programmatiske completions via API.
• Tilgængelige varianter: v3.2, v3.2-Exp (eksperimentel, DSA-debut), v3.2-Speciale (ræsonnering-først, kun API på kort sigt).

Benchmark-ydelse

Høj-compute-varianten V3.2-Speciale når paritet med eller overgår samtidige high-end-modeller på flere ræsonnerings-/matematik-/kodnings-benchmarks og opnår topniveau på udvalgte elite-matematikopgavesæt. Preprintet fremhæver paritet med modeller som GPT-5 / Kimi K2 på udvalgte ræsonneringsbenchmarks 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)

• Vs GPT-5 / Gemini 3 Pro (offentlige påstande): DeepSeek-forfattere og flere pressemedier hævder paritet eller overlegenhed på udvalgte ræsonnerings- og kodningsopgaver for Speciale-varianten, samtidig med at omkostningseffektivitet og åben licensering fremhæves som differentieringspunkter.
• Vs åbne modeller (Olmo, Nemotron, Moonshot, osv.): DeepSeek fremhæver agentbaseret træning og DSA som nøglefaktorer for effektivitet på lange kontekster.

Repræsentative anvendelsestilfælde

• Agentbaserede systemer / orkestrering: multi-værktøjsagenter (API'er, web-scrapere, forbindelser til kodekørsel), der drager fordel af modelniveau-“tænkning” + eksplicitte værktøjskald-primitiver.
• Ræsonnering / analyse af lange dokumenter: juridiske dokumenter, store forskningskorpora, mødereferater — langkontekstvarianter (128k tokens) lader dig beholde meget store kontekster i et enkelt kald.
• Kompleks matematik- og kodehjælp: V3.2-Speciale promoveres til avanceret matematisk ræsonnering og omfattende fejlretning af kode ifølge leverandørens benchmarks.
• Omkostningsfølsomme produktionsimplementeringer: DSA + prisændringer sigter mod at sænke inferensomkostninger for høj-kontekst arbejdsbelastninger.

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

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

Påkrævede trin

• Log ind på cometapi.com. Hvis du ikke er bruger endnu, skal du først registrere dig.
• Hent adgangslegitimationens API-nøgle til grænsefladen. Klik på “Add Token” ved API token i det personlige center, få tokennøglen: sk-xxxxx og indsend.
• Hent URL'en til dette site: https://api.cometapi.com/

Fremgangsmåde

1. Vælg “deepseek-v3.2”-endpointet 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 Chat-format: Indsæt dit spørgsmål eller din forespørgsel i feltet content—det er dette, modellen svarer på.
4. .Behandl API-svaret for at få det genererede svar.