deepseek-v3.2

Eingabe:$0.22/M

Ausgabe:$0.35/M

Kontext:128K

Maximale Ausgabe:4K

Überblick

Funktionen

Preisgestaltung

API

Versionen

Was ist DeepSeek v3.2?

DeepSeek v3.2 ist die neueste produktionsreife Veröffentlichung der DeepSeek-V3-Familie: eine große, reasoning-first Open-Weight-Sprachmodellfamilie, entwickelt für Verständnis langer Kontexte, robuste Agenten-/Tool-Nutzung, fortgeschrittenes Schlussfolgern, Coding und Mathematik. Das Release bündelt mehrere Varianten (Production V3.2 und ein leistungsstarkes V3.2-Speciale). Das Projekt betont kosteneffiziente Inferenz bei langen Kontexten durch einen neuen Sparse-Attention-Mechanismus namens DeepSeek Sparse Attention (DSA) sowie Agenten-/„Denken“-Workflows („Thinking in Tool-Use“).

Hauptfunktionen (auf hoher Ebene)

DeepSeek Sparse Attention (DSA): ein Sparse-Attention-Mechanismus, der den Rechenaufwand in Langkontext-Szenarien drastisch reduzieren soll, bei gleichzeitiger Wahrung des Schlussfolgerns über große Distanzen. (Kernforschungsanspruch; verwendet in V3.2-Exp.)
Agentisches Denken + Tool-Use-Integration: V3.2 betont die Einbettung von „Denken“ in die Tool-Nutzung: Das Modell kann in Reasoning-/Thinking-Modi und in Nicht-Thinking-(normalen) Modi beim Aufrufen von Tools arbeiten, was die Entscheidungsfindung in mehrstufigen Aufgaben und die Tool-Orchestrierung verbessert.
Groß angelegte Pipeline zur Agenten-Datensynthese: DeepSeek berichtet von einem Trainingskorpus und einer Agenten-Synthese-Pipeline, die sich über Tausende von Umgebungen und Zehntausende komplexer Anweisungen erstrecken, um die Robustheit für interaktive Aufgaben zu verbessern.
DeepSeek Sparse Attention (DSA): DSA ist eine fein granulare Sparse-Attention-Methode, die in der V3.2-Linie eingeführt wurde (zuerst in V3.2-Exp) und die Aufmerksamkeitskomplexität reduziert (von naivem O(L²) zu einem O(L·k)-Stil mit k ≪ L), indem pro Abfragetoken eine kleinere Menge an Key/Value-Tokens ausgewählt wird. Das Ergebnis sind deutlich geringerer Speicher-/Rechenaufwand für sehr lange Kontexte (128K), wodurch Langkontext-Inferenz materiell günstiger wird.
Mixture-of-Experts-(MoE)-Backbone und Multi-head Latent Attention (MLA): Die V3-Familie nutzt MoE, um Kapazität effizient zu erhöhen (große nominale Parameterzahlen bei begrenzter Pro-Token-Aktivierung) sowie MLA-Methoden, um Qualität zu erhalten und den Rechenaufwand zu steuern.

Technische Spezifikationen (kurz)

Nomineller Parameterbereich: ~671B–685B (variantenabhängig).
Kontextfenster (dokumentierte Referenz): 128,000 Tokens (128K) in vLLM/reference-Konfigurationen.
Attention: DeepSeek Sparse Attention (DSA) + MLA; reduzierte Aufmerksamkeitskomplexität für lange Kontexte.
Numerische & Trainingspräzision: BF16 / F32 sowie komprimierte quantisierte Formate (F8_E4M3 etc.) verfügbar für die Distribution.
Architekturfamilie: MoE-(Mixture-of-Experts)-Backbone mit Pro-Token-Aktivierungsökonomie.
Eingabe/Ausgabe: standardisierte tokenisierte Texteingabe (Chat-/Nachrichtenformate unterstützt); unterstützt Tool-Aufrufe (Tool-Use-API-Primitiven) sowie sowohl interaktive Aufrufe im Chat-Stil als auch programmgesteuerte Vervollständigungen über die API.
Verfügbare Varianten: v3.2, v3.2-Exp (experimentell, DSA-Debüt), v3.2-Speciale (reasoning-first, vorerst nur API).

Benchmark-Leistung

Das rechenintensive V3.2-Speciale erreicht Parität mit oder übertrifft zeitgenössische High-End-Modelle auf mehreren Reasoning-/Mathe-/Coding-Benchmarks und erzielt Spitzenwerte auf ausgewählten hochkarätigen Mathematik-Aufgabensätzen. Das Preprint hebt Parität mit Modellen wie GPT-5 / Kimi K2 auf ausgewählten Reasoning-Benchmarks hervor, spezifische Verbesserungen gegenüber früheren DeepSeek R1/V3-Baselines:

AIME: verbessert von 70.0 auf 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).

Vergleich mit anderen Modellen (auf hoher Ebene)

Gegenüber GPT-5 / Gemini 3 Pro (öffentliche Angaben): Die DeepSeek-Autoren und mehrere Presseberichte behaupten Parität oder Überlegenheit bei ausgewählten Reasoning- und Coding-Aufgaben für die Speciale-Variante, während Kosteneffizienz und offene Lizenzierung als Differenzierungsmerkmale betont werden.
Gegenüber Open-Models (Olmo, Nemotron, Moonshot, etc.): DeepSeek hebt agentisches Training und DSA als Schlüsselmerkmale für Langkontext-Effizienz hervor.

Repräsentative Anwendungsfälle

Agentische Systeme/Orchestrierung: Multi-Tool-Agenten (APIs, Web-Scraper, Verbindungen zur Codeausführung), die von modellseitigem „Denken“ + expliziten Tool-Call-Primitiven profitieren.
Reasoning/Analyse langer Dokumente: juristische Dokumente, große Forschungskorpora, Besprechungsprotokolle — Langkontext-Varianten (128k Tokens) erlauben sehr große Kontexte in einem einzelnen Aufruf.
Komplexe Mathematik- & Coding-Unterstützung: V3.2-Speciale wird laut Anbieterbenchmarks für fortgeschrittenes mathematisches Reasoning und umfangreiche Code-Debugging-Aufgaben beworben.
Kostensensitive produktive Bereitstellungen: DSA + Preisänderungen zielen darauf ab, die Inferenzkosten für Aufgaben mit hohem Kontext zu senken.

So beginnen Sie mit der Nutzung der DeepSeek v3.2 API

DeepSeek v3.2 API-Preise in CometAPI, 20% unter dem offiziellen Preis:

Eingabe-Tokens	$0.22
Ausgabe-Tokens	$0.35

Erforderliche Schritte

Melden Sie sich bei cometapi.com an. Wenn Sie noch kein Nutzer sind, registrieren Sie sich bitte zuerst.
Holen Sie sich den Zugriffsberechtigungs-API-Schlüssel der Schnittstelle. Klicken Sie im persönlichen Bereich beim API-Token auf „Add Token“, erhalten Sie den Token-Schlüssel: sk-xxxxx und senden Sie ihn ab.
Rufen Sie die URL dieser Seite ab: https://api.cometapi.com/

Verwendungsmethode

Wählen Sie den „deepseek-v3.2“-Endpoint, um die API-Anfrage zu senden, und setzen Sie den Request-Body. Anfragemethode und Request-Body entnehmen Sie der API-Dokumentation auf unserer Website. Unsere Website stellt Ihnen außerdem zu Ihrer Bequemlichkeit einen Apifox-Test bereit.
Ersetzen Sie <YOUR_API_KEY> durch Ihren tatsächlichen CometAPI-Schlüssel aus Ihrem Konto.
Wählen Sie das Chat-Format: Fügen Sie Ihre Frage oder Anforderung in das content-Feld ein — darauf antwortet das Modell.
.Verarbeiten Sie die API-Antwort, um die generierte Antwort zu erhalten.

Funktionen für DeepSeek-V3.2

Entdecken Sie die wichtigsten Funktionen von DeepSeek-V3.2, die darauf ausgelegt sind, Leistung und Benutzerfreundlichkeit zu verbessern. Erfahren Sie, wie diese Fähigkeiten Ihren Projekten zugutekommen und die Benutzererfahrung verbessern können.

text-to-text

text-to-music

speech-to-text

text-to-speech

text-to-image

image-to-image

image-editing

image-to-text

text-to-video

image-to-video

chat

video-to-text

pdf-to-text

Preise für DeepSeek-V3.2

Entdecken Sie wettbewerbsfähige Preise für DeepSeek-V3.2, die für verschiedene Budgets und Nutzungsanforderungen konzipiert sind. Unsere flexiblen Tarife stellen sicher, dass Sie nur für das bezahlen, was Sie nutzen, und erleichtern die Skalierung entsprechend Ihren wachsenden Anforderungen. Erfahren Sie, wie DeepSeek-V3.2 Ihre Projekte verbessern kann, während die Kosten überschaubar bleiben.

Comet-Preis (USD / M Tokens)	Offizieller Preis (USD / M Tokens)
Eingabe:$0.22/M Ausgabe:$0.35/M	Eingabe:$0.27/M Ausgabe:$0.43/M

Beispielcode und API für DeepSeek-V3.2

Greifen Sie auf umfassende Beispielcodes und API-Ressourcen für DeepSeek-V3.2 zu, um Ihren Integrationsprozess zu optimieren. Unsere detaillierte Dokumentation bietet schrittweise Anleitungen und hilft Ihnen dabei, das volle Potenzial von DeepSeek-V3.2 in Ihren Projekten zu nutzen.

Python
JavaScript
Curl

from openai import OpenAI
import os

# Get your CometAPI key from https://api.cometapi.com/console/token, and paste it here
COMETAPI_KEY = os.environ.get("COMETAPI_KEY") or "<YOUR_COMETAPI_KEY>"
BASE_URL = "https://api.cometapi.com/v1"

client = OpenAI(base_url=BASE_URL, api_key=COMETAPI_KEY)

completion = client.chat.completions.create(
    model="deepseek-v3.2-exp",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Hello!"},
    ],
)

print(completion.choices[0].message.content)

Versionen von DeepSeek-V3.2

Der Grund, warum DeepSeek-V3.2 mehrere Snapshots hat, kann potenzielle Faktoren wie Änderungen der Ausgabe nach Updates umfassen, die ältere Snapshots für Konsistenz erfordern, Entwicklern eine Übergangszeit für Anpassung und Migration bieten und verschiedene Snapshots, die globalen oder regionalen Endpunkten entsprechen, um das Benutzererlebnis zu optimieren. Für detaillierte Unterschiede zwischen den Versionen lesen Sie bitte die offizielle Dokumentation.

deepseek-v3.2
DeepSeek-V3.2-Exp-nothinking
DeepSeek-V3.2-Exp-thinking

DeepSeek-V3.2