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 a pesi aperti, orientata al ragionamento, progettata per la comprensione di contesti lunghi, uso robusto di agenti/strumenti, ragionamento avanzato, coding e matematica. La release include più varianti (V3.2 di produzione e una V3.2-Speciale ad alte prestazioni). Il progetto enfatizza l’inferenza su contesti lunghi a costi contenuti grazie a un nuovo meccanismo di attenzione sparsa chiamato DeepSeek Sparse Attention (DSA) e flussi di lavoro agentici/di “pensiero” (“Thinking in Tool-Use”).

Caratteristiche principali (alto livello)

• DeepSeek Sparse Attention (DSA): un meccanismo di attenzione sparsa pensato per ridurre drasticamente il compute in scenari di contesto lungo preservando il ragionamento a lungo raggio. (Claim di ricerca centrale; utilizzato in V3.2-Exp.)
• Pensiero agentico + integrazione con tool-use: V3.2 enfatizza l’incorporazione del “pensiero” nell’uso degli strumenti: il modello può operare in modalità di ragionamento (“thinking”) e in modalità non-thinking (normale) quando chiama strumenti, migliorando il processo decisionale in compiti 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 di agenti 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 naïve O(L²) a uno stile O(L·k) con k ≪ L), selezionando un sottoinsieme più piccolo di token key/value per ciascun token di query. Il risultato è una riduzione sostanziale di memoria/compute per contesti molto lunghi (128K), rendendo l’inferenza su contesti lunghi sensibilmente 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 (conteggi nominali di parametri elevati con attivazioni per token limitate) insieme a metodi MLA per mantenere la qualità e controllare il compute.

Specifiche tecniche (tabella concisa)

• Intervallo nominale di parametri: ~671B – 685B (dipendente dalla 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 training: 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 (supportati formati chat/messaggio); supporta chiamate a strumenti (primitive API di tool-use) e sia chiamate interattive in stile chat sia completamenti programmati via API.
• Varianti offerte: v3.2, v3.2-Exp (sperimentale, debutto DSA), v3.2-Speciale (orientata al ragionamento, solo API nel breve periodo).

Prestazioni nei benchmark

La variante ad alta capacità di calcolo V3.2-Speciale raggiunge la parità o supera modelli contemporanei di fascia alta su diversi benchmark di ragionamento/matematica/coding, e ottiene punteggi di livello top su selezionati set di problemi matematici élite. Il preprint evidenzia la parità con modelli come GPT-5 / Kimi K2 su benchmark di ragionamento selezionati, e 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 vari media affermano parità o superiorità su task di ragionamento e coding selezionati per la variante Speciale, sottolineando efficienza dei costi e licenze aperte come elementi distintivi.
• Vs modelli open (Olmo, Nemotron, Moonshot, ecc.): DeepSeek evidenzia il training agentico e DSA come elementi chiave per l’efficienza su contesti lunghi.

Casi d’uso rappresentativi

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

Come iniziare a usare l’API DeepSeek v3.2

Prezzi dell’API di DeepSeek v3.2 su CometAPI, sconto del 20% 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 “Add Token” nel token API nel centro personale, ottieni la chiave token: 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 corpo della richiesta. Il metodo e il corpo della richiesta sono reperibili nella nostra documentazione API sul sito. Il nostro sito fornisce anche test Apifox per la tua comodità.
2. Sostituisci <YOUR_API_KEY> con la tua chiave CometAPI effettiva dal tuo account.
3. Seleziona il formato Chat: inserisci la tua domanda o richiesta nel campo content — è ciò a cui il modello risponderà.
4. Elabora la risposta dell’API per ottenere la risposta generata.