deepseek-v3.2

Ingresso:$0.22/M

Uscita:$0.35/M

Contesto:128K

Uscita Massima:4K

Panoramica

Caratteristiche

Prezzi

API

Versioni

Che cos’è DeepSeek v3.2?

DeepSeek v3.2 è l’ultima release di produzione della famiglia DeepSeek V3: una famiglia di modelli linguistici open-weight, con priorità al ragionamento, progettata per la comprensione di contesti lunghi, l’uso robusto di agenti/strumenti, il ragionamento avanzato, il coding e la matematica. La release include più varianti (V3.2 di produzione e una V3.2-Speciale ad alte prestazioni). Il progetto enfatizza l’inferenza a lungo contesto economicamente efficiente tramite un nuovo meccanismo di attenzione sparsa chiamato DeepSeek Sparse Attention (DSA) e workflow di agenti/“thinking” (“Thinking in Tool-Use”).

Caratteristiche principali (alto livello)

DeepSeek Sparse Attention (DSA): un meccanismo di attenzione sparsa pensato per ridurre drasticamente il calcolo in scenari a lungo contesto preservando il ragionamento a lungo raggio. (Affermazione di ricerca centrale; usato in V3.2-Exp.)
Pensiero agentico + integrazione dell’uso di strumenti: V3.2 enfatizza l’integrazione del “thinking” nell’uso degli strumenti: il modello può operare in modalità di ragionamento/pensiero e in modalità non-pensiero (normali) quando chiama strumenti, migliorando il decision-making in task multi-step e l’orchestrazione degli strumenti.
Pipeline di sintesi dati agentici su larga scala: DeepSeek riporta un corpus di training e una pipeline di sintesi agentica che coprono migliaia di ambienti e decine di migliaia di istruzioni complesse per migliorare la robustezza nei task interattivi.
DeepSeek Sparse Attention (DSA): DSA è un metodo di attenzione sparsa fine-grained introdotto nella linea V3.2 (prima in V3.2-Exp) che riduce la complessità dell’attenzione (da una O(L²) ingenua a uno stile O(L·k) con k ≪ L), selezionando un sottoinsieme più piccolo di token chiave/valore per ogni token query. Il risultato è una riduzione sostanziale di memoria/calcolo per contesti molto lunghi (128K), rendendo l’inferenza a lungo contesto materialmente più economica.
Backbone Mixture-of-Experts (MoE) e Multi-head Latent Attention (MLA): la famiglia V3 utilizza MoE per aumentare la capacità in modo efficiente (conteggi nominali di parametri elevati con attivazione per token limitata) insieme a metodi MLA per mantenere la qualità e controllare il calcolo.

Specifiche tecniche (riepilogo conciso)

Intervallo di parametri nominale: ~671B – 685B (in base alla variante).
Finestra di contesto (riferimento documentato): 128.000 token (128K) in vLLM/config di riferimento.
Attenzione: DeepSeek Sparse Attention (DSA) + MLA; complessità dell’attenzione ridotta per contesti lunghi.
Precisione numerica e di addestramento: BF16 / F32 e formati quantizzati compressi (F8_E4M3 ecc.) disponibili per la distribuzione.
Famiglia architetturale: backbone MoE (mixture-of-experts) con economia di attivazione per token.
Input/output: input testuale tokenizzato standard (supporto formati chat/messaggi); supporta chiamate a strumenti (primitive API di tool-use) e sia chiamate interattive in stile chat sia completamenti programmatici via API.
Varianti offerte: v3.2, v3.2-Exp (sperimentale, debutto DSA), v3.2-Speciale (priorità al ragionamento, solo API a breve termine).

Prestazioni ai benchmark

La variante ad alto compute V3.2-Speciale raggiunge la parità o supera modelli contemporanei di fascia alta su diversi benchmark di ragionamento/matematica/coding, e ottiene risultati di vertice su selezionati set di problemi matematici d’élite. Il preprint evidenzia la parità con modelli come GPT-5 / Kimi K2 su benchmark di ragionamento selezionati, con miglioramenti specifici rispetto alle baseline DeepSeek R1/V3 precedenti:

AIME: da 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).

Confronto con altri modelli (alto livello)

Vs GPT-5 / Gemini 3 Pro (dichiarazioni pubbliche): gli autori di DeepSeek e diverse testate affermano parità o superiorità su task selezionati di ragionamento e coding per la variante Speciale, evidenziando al contempo l’efficienza dei costi e la licenza aperta come elementi distintivi.
Vs modelli open (Olmo, Nemotron, Moonshot, ecc.): DeepSeek evidenzia l’addestramento agentico e DSA come differenziatori chiave per l’efficienza su contesti lunghi.

Casi d’uso rappresentativi

Sistemi agentici / orchestrazione: agenti multi-strumento (API, web scraper, connettori per l’esecuzione di codice) che beneficiano del “thinking” a livello di modello + primitive di chiamata agli strumenti esplicite.
Ragionamento/analisi su documenti lunghi: documenti legali, ampi corpora di ricerca, trascrizioni di meeting — le varianti a lungo contesto (128k token) consentono di mantenere contesti molto ampi in una singola chiamata.
Assistenza per matematica complessa e coding: V3.2-Speciale è promossa per il ragionamento matematico avanzato e l’ampio debugging di codice secondo i benchmark del vendor.
Distribuzioni di produzione sensibili ai costi: DSA + modifiche di pricing mirano a ridurre i costi di inferenza per carichi a lungo contesto.

Come iniziare a usare DeepSeek v3.2 API

Prezzi dell’API DeepSeek v3.2 in CometAPI, sconto del 20% rispetto al prezzo ufficiale:

Token di input	$0.22
Token di output	$0.35

Passaggi richiesti

Accedi a cometapi.com. Se non sei ancora nostro utente, registrati prima
Ottieni la chiave API di credenziale di accesso dell’interfaccia. Fai clic su “Add Token” nella sezione API token nel centro personale, ottieni la chiave del token: sk-xxxxx e invia.
Ottieni l’URL di questo sito: https://api.cometapi.com/

Metodo d’uso

Seleziona l’endpoint “deepseek-v3.2” per inviare la richiesta API e imposta il body della richiesta. Il metodo e il body della richiesta sono ottenibili dalla documentazione API del nostro sito. Il nostro sito fornisce anche test Apifox per tua comodità.
Sostituisci <YOUR_API_KEY> con la tua chiave CometAPI effettiva del tuo account.
Seleziona il formato Chat: inserisci la tua domanda o richiesta nel campo content—è a questo che il modello risponderà.
.Elabora la risposta dell’API per ottenere la risposta generata.

Funzionalità per DeepSeek-V3.2

Esplora le caratteristiche principali di DeepSeek-V3.2, progettato per migliorare le prestazioni e l'usabilità. Scopri come queste funzionalità possono beneficiare i tuoi progetti e migliorare l'esperienza utente.

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

Prezzi per DeepSeek-V3.2

Esplora i prezzi competitivi per DeepSeek-V3.2, progettato per adattarsi a vari budget e necessità di utilizzo. I nostri piani flessibili garantiscono che paghi solo per quello che usi, rendendo facile scalare man mano che i tuoi requisiti crescono. Scopri come DeepSeek-V3.2 può migliorare i tuoi progetti mantenendo i costi gestibili.

Prezzo Comet (USD / M Tokens)	Prezzo Ufficiale (USD / M Tokens)
Ingresso:$0.22/M Uscita:$0.35/M	Ingresso:$0.27/M Uscita:$0.43/M

Codice di esempio e API per DeepSeek-V3.2

Accedi a codice di esempio completo e risorse API per DeepSeek-V3.2 per semplificare il tuo processo di integrazione. La nostra documentazione dettagliata fornisce una guida passo dopo passo, aiutandoti a sfruttare appieno il potenziale di DeepSeek-V3.2 nei tuoi progetti.

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)

Versioni di DeepSeek-V3.2

Il motivo per cui DeepSeek-V3.2 dispone di più snapshot può includere fattori potenziali come variazioni nell'output dopo aggiornamenti che richiedono snapshot precedenti per coerenza, offrire agli sviluppatori un periodo di transizione per l'adattamento e la migrazione, e diversi snapshot corrispondenti a endpoint globali o regionali per ottimizzare l'esperienza utente. Per le differenze dettagliate tra le versioni, si prega di fare riferimento alla documentazione ufficiale.

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

DeepSeek-V3.2