¿Qué es DeepSeek v3.2?
DeepSeek v3.2 es la última versión de producción de la familia DeepSeek V3: una familia de modelos de lenguaje de pesos abiertos, con prioridad en el razonamiento, diseñada para la comprensión de contextos largos, uso robusto de agentes/herramientas, razonamiento avanzado, programación y matemáticas. La versión incluye múltiples variantes (V3.2 de producción y una V3.2-Speciale de alto rendimiento). El proyecto enfatiza la inferencia de contexto largo rentable mediante un nuevo mecanismo de atención dispersa llamado DeepSeek Sparse Attention (DSA) y flujos de trabajo de agentes/pensamiento (“Thinking in Tool-Use”).
Características principales (de alto nivel)
- DeepSeek Sparse Attention (DSA): un mecanismo de atención dispersa destinado a reducir drásticamente el cómputo en escenarios de contexto largo, preservando el razonamiento a largo alcance. (Afirmación central de investigación; usado en
V3.2-Exp.) - Pensamiento agentivo + integración con uso de herramientas: V3.2 enfatiza incrustar el “pensamiento” en el uso de herramientas: el modelo puede operar en modos de razonamiento/pensamiento y en modos sin pensamiento (normales) al llamar herramientas, mejorando la toma de decisiones en tareas multietapa y la orquestación de herramientas.
- Pipeline de síntesis de datos de agentes a gran escala: DeepSeek informa de un corpus de entrenamiento y un pipeline de síntesis de agentes que abarcan miles de entornos y decenas de miles de instrucciones complejas para mejorar la robustez en tareas interactivas.
- DeepSeek Sparse Attention (DSA): DSA es un método de atención dispersa de grano fino introducido en la línea V3.2 (primero en V3.2-Exp) que reduce la complejidad de la atención (del O(L²) ingenuo a un estilo O(L·k) con k ≪ L), seleccionando un conjunto menor de tokens de clave/valor por token de consulta. El resultado es un uso sustancialmente menor de memoria/cómputo para contextos muy largos (128K), haciendo la inferencia en contextos largos materialmente más económica.
- Arquitectura Mixture-of-Experts (MoE) y Multi-head Latent Attention (MLA): La familia V3 utiliza MoE para aumentar la capacidad de forma eficiente (grandes conteos nominales de parámetros con activación limitada por token), junto con métodos MLA para mantener la calidad y controlar el cómputo.
Especificaciones técnicas (tabla concisa)
- Rango de parámetros nominales: ~671B – 685B (según la variante).
- Ventana de contexto (referencia documentada): 128,000 tokens (128K) en vLLM/configuraciones de referencia.
- Atención: DeepSeek Sparse Attention (DSA) + MLA; complejidad de atención reducida para contextos largos.
- Precisión numérica y de entrenamiento: BF16 / F32 y formatos cuantizados comprimidos (F8_E4M3, etc.) disponibles para distribución.
- Familia arquitectónica: base MoE (mixture-of-experts) con economía de activación por token.
- Entrada / salida: entrada de texto tokenizado estándar (se admiten formatos de chat/mensajes); soporta llamadas a herramientas (primitivas de API para uso de herramientas) y tanto llamadas interactivas estilo chat como completados programáticos vía API.
- Variantes ofrecidas:
v3.2,v3.2-Exp(experimental, debut de DSA),v3.2-Speciale(prioridad en razonamiento, solo API a corto plazo).
Rendimiento en benchmarks
La variante de alto cómputo V3.2-Speciale alcanza la paridad o supera modelos de gama alta contemporáneos en varios benchmarks de razonamiento/matemáticas/programación, y logra resultados de primer nivel en conjuntos de problemas matemáticos de élite seleccionados. El preprint destaca paridad con modelos como GPT-5 / Kimi K2 en benchmarks de razonamiento seleccionados, mejoras específicas frente a los baselines DeepSeek R1/V3 anteriores:
- AIME: de 70.0 a 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).
Comparación con otros modelos (de alto nivel)
- Vs GPT-5 / Gemini 3 Pro (afirmaciones públicas): Los autores de DeepSeek y varios medios afirman paridad o superioridad en tareas seleccionadas de razonamiento y programación para la variante Speciale, destacando la eficiencia de costos y la licencia abierta como diferenciadores.
- Vs modelos abiertos (Olmo, Nemotron, Moonshot, etc.): DeepSeek destaca el entrenamiento orientado a agentes y DSA como diferenciadores clave para la eficiencia en contextos largos.
Casos de uso representativos
- Sistemas agentivos / orquestación: agentes con múltiples herramientas (APIs, scrapers web, conectores de ejecución de código) que se benefician del “pensamiento” a nivel de modelo + primitivas explícitas de llamadas a herramientas.
- Razonamiento/análisis de documentos largos: documentos legales, grandes corpus de investigación, transcripciones de reuniones: las variantes de contexto largo (128k tokens) permiten mantener contextos muy grandes en una sola llamada.
- Asistencia en matemáticas complejas y programación:
V3.2-Specialese promociona para razonamiento matemático avanzado y tareas extensas de depuración de código según los benchmarks del proveedor. - Implementaciones de producción sensibles a costos: DSA + cambios de precios apuntan a reducir los costos de inferencia para cargas de trabajo de alto contexto.
Cómo empezar a usar la API de DeepSeek v3.2
Precios de la API de DeepSeek v3.2 en CometAPI，20% de descuento sobre el precio oficial:
| Tokens de entrada | $0.22 |
|---|---|
| Tokens de salida | $0.35 |
Pasos necesarios
- Inicia sesión en cometapi.com. Si aún no eres usuario, regístrate primero
- Obtén la clave de API de credenciales de acceso de la interfaz. Haz clic en “Add Token” en el API token en el centro personal, obtén la clave del token: sk-xxxxx y envíala.
- Obtén la URL de este sitio:
https://api.cometapi.com/
Método de uso
- Selecciona el endpoint “
deepseek-v3.2” para enviar la solicitud a la API y configura el cuerpo de la solicitud. El método y el cuerpo de la solicitud se obtienen de la documentación de la API de nuestro sitio web. Nuestro sitio también proporciona prueba en Apifox para tu conveniencia. - Reemplaza <YOUR_API_KEY> con tu clave real de CometAPI de tu cuenta.
- Selecciona el formato Chat: Inserta tu pregunta o solicitud en el campo content—esto es a lo que responderá el modelo.
- .Procesa la respuesta de la API para obtener la respuesta generada.