DeepSeek-V3.2

Apakah DeepSeek v3.2?

DeepSeek v3.2 ialah keluaran produksi terkini dalam keluarga DeepSeek V3: satu keluarga model bahasa open-weight berskala besar berorientasikan penaakulan, direka untuk pemahaman konteks panjang, penggunaan agen/alat yang mantap, penaakulan lanjutan, pengekodan dan matematik. Keluaran ini menghimpunkan beberapa varian (V3.2 produksi dan V3.2-Speciale berprestasi tinggi). Projek ini menekankan inferens konteks panjang yang kos-efisien melalui mekanisme perhatian jarang baharu yang dipanggil DeepSeek Sparse Attention (DSA) serta aliran kerja agen/“pemikiran” (“Thinking in Tool-Use”).

Ciri utama (tahap tinggi)

• DeepSeek Sparse Attention (DSA): mekanisme perhatian jarang yang bertujuan mengurangkan pengiraan secara dramatik dalam senario konteks panjang sambil mengekalkan penaakulan jarak jauh. (Tuntutan penyelidikan teras; digunakan dalam V3.2-Exp.)
• Pemikiran berorientasi agen + integrasi penggunaan alat: V3.2 menekankan penggabungan “pemikiran” ke dalam penggunaan alat: model boleh beroperasi dalam mod penaakulan-pemikiran dan mod bukan pemikiran (normal) semasa memanggil alat, meningkatkan pembuatan keputusan dalam tugasan berbilang langkah dan orkestrasi alat.
• Rangkaian sintesis data agen berskala besar: DeepSeek melaporkan korpus latihan dan rantaian sintesis agen yang merangkumi ribuan persekitaran dan puluhan ribu arahan kompleks untuk meningkatkan keteguhan bagi tugasan interaktif.
• DeepSeek Sparse Attention (DSA): DSA ialah kaedah perhatian jarang berbutir halus yang diperkenalkan dalam siri V3.2 (pertama dalam V3.2-Exp) yang mengurangkan kerumitan perhatian (daripada O(L²) naif kepada gaya O(L·k) dengan k ≪ L), memilih set token key/value yang lebih kecil bagi setiap token query. Hasilnya ialah penggunaan memori/pengiraan yang jauh lebih rendah untuk konteks yang sangat panjang (128K), menjadikan inferens konteks panjang lebih murah secara material.
• Tulang belakang Mixture-of-Experts (MoE) dan Multi-head Latent Attention (MLA): Keluarga V3 menggunakan MoE untuk meningkatkan kapasiti secara cekap (kiraan parameter nominal besar dengan pengaktifan per token terhad) bersama kaedah MLA bagi mengekalkan kualiti dan mengawal pengiraan.

Spesifikasi teknikal (ringkas)

• Julat parameter nominal: ~671B – 685B (bergantung kepada varian).
• Tetingkap konteks (rujukan yang didokumenkan): 128,000 token (128K) dalam konfigurasi vLLM/rujukan.
• Perhatian: DeepSeek Sparse Attention (DSA) + MLA; kerumitan perhatian dikurangkan untuk konteks panjang.
• Ketepatan berangka & latihan: BF16 / F32 dan format kuantis terkompres (F8_E4M3 dll.) tersedia untuk edaran.
• Keluarga seni bina: tulang belakang MoE (mixture-of-experts) dengan kecekapan pengaktifan per token.
• Input / output: input teks ditokenkan piawai (format sembang/mesej disokong); menyokong panggilan alat (primitif API penggunaan alat) serta panggilan gaya sembang interaktif dan pelengkapan berprogram melalui API.
• Varian yang ditawarkan: v3.2, v3.2-Exp (eksperimen, debut DSA), v3.2-Speciale (berorientasikan penaakulan, hanya API untuk sementara waktu).

Prestasi penanda aras

V3.2-Speciale berkomputasi tinggi mencapai pariti atau mengatasi model kelas atasan semasa pada beberapa penanda aras penaakulan/matematik/pengekodan, dan memperoleh markah peringkat tertinggi pada set soalan matematik elit terpilih. Pracetak menonjolkan pariti dengan model seperti GPT-5 / Kimi K2 pada penanda aras penaakulan terpilih, peningkatan khusus berbanding asas DeepSeek R1/V3 terdahulu:

• AIME: meningkat daripada 70.0 kepada 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).

Perbandingan dengan model lain (tahap tinggi)

• Berbanding GPT-5 / Gemini 3 Pro (tuntutan umum): Pengarang DeepSeek dan beberapa saluran media mendakwa pariti atau keunggulan pada tugasan penaakulan dan pengekodan terpilih bagi varian Speciale, sambil menekankan kecekapan kos dan pelesenan terbuka sebagai pembeza.
• Berbanding model terbuka (Olmo, Nemotron, Moonshot, dll.): DeepSeek menonjolkan latihan berorientasi agen dan DSA sebagai pembeza utama untuk kecekapan konteks panjang.

Contoh kes penggunaan

• Sistem agen / orkestrasi: agen berbilang alat (API, pengikis web, penyambung pelaksanaan kod) yang mendapat manfaat daripada “pemikiran” pada aras model + primitif panggilan alat yang eksplisit.
• Penaakulan / analisis dokumen panjang: dokumen undang-undang, korpus penyelidikan besar, transkrip mesyuarat — varian konteks panjang (128k tokens) membolehkan anda mengekalkan konteks yang sangat besar dalam satu panggilan.
• Bantuan matematik kompleks & pengekodan: V3.2-Speciale dipromosikan untuk penaakulan matematik lanjutan dan tugasan penyahpepijatan kod yang meluas menurut penanda aras vendor.
• Penggunaan produksi yang peka kos: DSA + perubahan harga bertujuan menurunkan kos inferens untuk beban kerja berkonteks tinggi.

Cara bermula menggunakan DeepSeek v3.2 API

DeepSeek v3.2 Harga API di CometAPI, diskaun 20% daripada harga rasmi:

Langkah Diperlukan

• Log masuk ke cometapi.com. Jika anda belum menjadi pengguna kami, sila daftar terlebih dahulu
• Dapatkan kelayakan akses kunci API antara muka. Klik “Add Token” pada token API di pusat peribadi, dapatkan kunci token: sk-xxxxx dan serahkan.
• Dapatkan url laman ini: https://api.cometapi.com/

Cara Penggunaan

1. Pilih titik akhir “deepseek-v3.2” untuk menghantar permintaan API dan tetapkan badan permintaan. Kaedah permintaan dan badan permintaan diperoleh daripada dok API laman web kami. Laman web kami juga menyediakan ujian Apifox untuk kemudahan anda.
2. Gantikan <YOUR_API_KEY> dengan kunci CometAPI sebenar anda daripada akaun anda.
3. Pilih format [Chat]: Masukkan soalan atau permintaan anda ke dalam medan content — inilah yang akan dijawab oleh model.
4. .Proses tindak balas API untuk mendapatkan jawapan yang dihasilkan.