DeepSeek-V3.2

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 di grandi dimensioni, progettata con un approccio incentrato sul ragionamento per comprensione di contesti lunghi, uso robusto di agenti/strumenti, ragionamento avanzato, coding e matematica. La release include più varianti (la V3.2 di produzione e una V3.2-Speciale ad alte prestazioni). Il progetto pone l’accento su un’inferenza a lungo contesto efficiente in termini di costo tramite un nuovo meccanismo di attenzione sparsa chiamato DeepSeek Sparse Attention (DSA) e su flussi di lavoro agentici / di “pensiero” (“Thinking in Tool-Use”).

Caratteristiche principali (panoramica)

• DeepSeek Sparse Attention (DSA): un meccanismo di attenzione sparsa pensato per ridurre drasticamente il calcolo negli scenari a lungo contesto, preservando al contempo il ragionamento a lungo raggio. (Affermazione chiave della ricerca; usato in V3.2-Exp.)
• Pensiero agentico + integrazione dell’uso di strumenti: V3.2 enfatizza l’integrazione del “pensiero” nell’uso di strumenti: il modello può operare in modalità di ragionamento/pensiero e in modalità non-thinking (normale) quando richiama strumenti, migliorando il processo decisionale nei compiti multi-step e l’orchestrazione degli strumenti.
• Pipeline di sintesi dati agentici su larga scala: DeepSeek riporta un corpus di addestramento 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 a grana fine introdotto nella linea V3.2 (prima in V3.2-Exp) che riduce la complessità dell’attenzione (dal naïf O(L²) a uno stile O(L·k) con k ≪ L), selezionando un insieme più piccolo di token key/value per ogni token query. Il risultato è un consumo di memoria/calcolo sostanzialmente inferiore per contesti molto lunghi (128K), rendendo l’inferenza su lungo contesto significativamente più economica.
• Backbone Mixture-of-Experts (MoE) e Multi-head Latent Attention (MLA): La famiglia V3 usa MoE per aumentare la capacità in modo efficiente (grandi conteggi nominali di parametri con attivazione limitata per token), insieme a metodi MLA per mantenere la qualità e controllare il calcolo.

Specifiche tecniche (tabella sintetica)

• Intervallo nominale di parametri: ~671B – 685B (dipende dalla variante).
• Finestra di contesto (riferimento documentato): 128.000 token (128K) nelle configurazioni vLLM/reference.
• Attenzione: DeepSeek Sparse Attention (DSA) + MLA; complessità dell’attenzione ridotta per contesti lunghi.
• Precisione numerica e di training: BF16 / F32 e formati compressi quantizzati (F8_E4M3 ecc.) disponibili per la distribuzione.
• Famiglia architetturale: backbone MoE (mixture-of-experts) con economia di attivazione per token.
• Input / output: input di testo tokenizzato standard (supportati i formati chat/messaggio); supporta tool-calls (primitive API di tool-use) e sia chiamate interattive in stile chat sia completions programmatiche via API.
• Varianti offerte: v3.2, v3.2-Exp (sperimentale, debutto di DSA), v3.2-Speciale (reasoning-first, solo API nel breve termine).

Prestazioni nei benchmark

V3.2-Speciale ad alto compute raggiunge la parità o supera modelli contemporanei di fascia alta su diversi benchmark di ragionamento/matematica/coding, e ottiene risultati di primo livello 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, oltre a miglioramenti specifici rispetto ai precedenti baseline DeepSeek R1/V3:

• AIME: migliorato 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 (panoramica)

• Vs GPT-5 / Gemini 3 Pro (affermazioni pubbliche): gli autori di DeepSeek e diverse testate sostengono la parità o la superiorità su task selezionati di ragionamento e coding per la variante Speciale, sottolineando al contempo l’efficienza dei costi e la licenza aperta come fattori differenzianti.
• Vs modelli open (Olmo, Nemotron, Moonshot, ecc.): DeepSeek evidenzia l’addestramento agentico e DSA come principali elementi distintivi per l’efficienza nel lungo contesto.

Casi d’uso rappresentativi

• Sistemi agentici / orchestrazione: agenti multi-tool (API, web scraper, connettori di esecuzione codice) che beneficiano del “pensiero” a livello di modello + primitive esplicite di tool-call.
• Ragionamento / analisi di documenti lunghi: documenti legali, grandi corpora di ricerca, trascrizioni di riunioni — le varianti a lungo contesto (128k token) consentono di mantenere contesti molto ampi in una singola chiamata.
• Assistenza avanzata in matematica e coding: V3.2-Speciale è promosso per ragionamento matematico avanzato e attività estese di debug del codice secondo i benchmark del fornitore.
• Distribuzioni di produzione sensibili ai costi: DSA + modifiche di pricing mirano a ridurre i costi di inferenza per carichi di lavoro ad alto contesto.

Come iniziare a usare l’API di DeepSeek v3.2

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

Passaggi richiesti

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

Metodo d’uso

1. Seleziona l’endpoint “deepseek-v3.2” per inviare la richiesta API e imposta il request body. Il metodo di richiesta e il request body si ottengono dalla documentazione API sul nostro sito web. Il nostro sito web fornisce anche test Apifox per tua comodità.
2. Sostituisci <YOUR_API_KEY> con la tua chiave CometAPI reale dal tuo account.
3. Seleziona il formato Chat: inserisci la tua domanda o richiesta nel campo content—questo è ciò a cui il modello risponderà.
4. .Elabora la risposta API per ottenere la risposta generata.