DeepSeek-V3.2

O que é o DeepSeek v3.2?

DeepSeek v3.2 é a mais recente versão de produção da família DeepSeek V3: uma família de modelos de linguagem de pesos abertos com foco em raciocínio, projetada para compreensão de contexto longo, uso robusto de agentes/ferramentas, raciocínio avançado, programação e matemática. A versão reúne múltiplas variantes (V3.2 de produção e um V3.2-Speciale de alto desempenho). O projeto enfatiza inferência de contexto longo com bom custo-benefício por meio de um novo mecanismo de atenção esparsa chamado DeepSeek Sparse Attention (DSA) e fluxos de trabalho de agentes/“pensamento” (“Thinking in Tool-Use”).

Principais recursos (alto nível)

• DeepSeek Sparse Attention (DSA): um mecanismo de atenção esparsa destinado a reduzir drasticamente o custo computacional em cenários de contexto longo, preservando o raciocínio de longo alcance. (Alegação central de pesquisa; usado em V3.2-Exp.)
• Pensamento agentivo + integração com uso de ferramentas: o V3.2 enfatiza incorporar o “pensar” ao uso de ferramentas: o modelo pode operar em modos de raciocínio/pensamento e em modos sem “pensamento” (normais) ao chamar ferramentas, melhorando a tomada de decisão em tarefas de múltiplas etapas e na orquestração de ferramentas.
• Pipeline de síntese de dados de agentes em larga escala: a DeepSeek relata um corpus de treinamento e um pipeline de síntese de agentes que abrange milhares de ambientes e dezenas de milhares de instruções complexas para melhorar a robustez em tarefas interativas.
• DeepSeek Sparse Attention (DSA): o DSA é um método de atenção esparsa de granularidade fina introduzido na linha V3.2 (primeiro no V3.2-Exp) que reduz a complexidade da atenção (do ingênuo O(L²) para um estilo O(L·k), com k ≪ L), selecionando um conjunto menor de tokens de chave/valor por token de consulta. O resultado é substancialmente menor uso de memória/compute para contextos muito longos (128K), tornando a inferência de contexto longo materialmente mais barata.
• Backbone Mixture-of-Experts (MoE) e Multi-head Latent Attention (MLA): a família V3 usa MoE para aumentar a capacidade com eficiência (contagens nominais de parâmetros elevadas com ativação limitada por token), juntamente com métodos MLA para manter a qualidade e controlar o custo computacional.

Especificações técnicas (tabela concisa)

• Faixa nominal de parâmetros: ~671B – 685B (dependente da variante).
• Janela de contexto (referência documentada): 128.000 tokens (128K) em configs de vLLM/referência.
• Atenção: DeepSeek Sparse Attention (DSA) + MLA; complexidade de atenção reduzida para contextos longos.
• Precisão numérica e de treinamento: BF16 / F32 e formatos quantizados comprimidos (F8_E4M3 etc.) disponíveis para distribuição.
• Família arquitetural: backbone MoE (Mixture-of-Experts) com economia de ativação por token.
• Entrada/saída: entrada de texto tokenizado padrão (formatos de chat/mensagem suportados); suporta chamadas de ferramentas (primitivas de uso de ferramentas da API) e tanto chamadas interativas estilo chat quanto completações programáticas via API.
• Variantes oferecidas: v3.2, v3.2-Exp (experimental, estreia do DSA), v3.2-Speciale (foco em raciocínio, apenas via API no curto prazo).

Desempenho em benchmarks

O V3.2-Speciale, de alto compute, atinge paridade ou supera modelos contemporâneos de ponta em diversos benchmarks de raciocínio/matemática/programação, e obtém marcas de nível superior em conjuntos de problemas matemáticos de elite selecionados. O preprint destaca paridade com modelos como GPT-5 / Kimi K2 em benchmarks de raciocínio selecionados, com melhorias específicas em relação às linhas de base DeepSeek R1/V3 anteriores:

• AIME: de 70.0 para 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).

Comparação com outros modelos (alto nível)

• Vs GPT-5 / Gemini 3 Pro (declarações públicas): autores da DeepSeek e diversos veículos afirmam paridade ou superioridade em determinadas tarefas de raciocínio e programação para a variante Speciale, enfatizando eficiência de custo e licenciamento aberto como diferenciais.
• Vs modelos abertos (Olmo, Nemotron, Moonshot, etc.): a DeepSeek destaca o treinamento agentivo e o DSA como diferenciais-chave para eficiência em contexto longo.

Casos de uso representativos

• Sistemas agentivos / orquestração: agentes com múltiplas ferramentas (APIs, raspadores da web, conectores de execução de código) que se beneficiam de “pensamento” em nível de modelo + primitivas explícitas de chamadas de ferramentas.
• Raciocínio/análise de documentos longos: documentos jurídicos, grandes corpora de pesquisa, transcrições de reuniões — variantes de contexto longo (128k tokens) permitem manter contextos muito grandes em uma única chamada.
• Assistência em matemática complexa e programação: a V3.2-Speciale é promovida para raciocínio matemático avançado e extensas tarefas de depuração de código, conforme benchmarks do fornecedor.
• Implantações de produção sensíveis a custo: DSA + mudanças de preços visam reduzir os custos de inferência para cargas de trabalho de alto contexto.

Como começar a usar a API do DeepSeek v3.2

Preços da API do DeepSeek v3.2 na CometAPI, 20% abaixo do preço oficial:

Etapas necessárias

• Faça login em cometapi.com. Se você ainda não é nosso usuário, registre-se primeiro
• Obtenha a chave de API de credencial de acesso da interface. Clique em “Add Token” na área de token da API no centro pessoal, obtenha a chave do token: sk-xxxxx e envie.
• Obtenha a URL deste site: https://api.cometapi.com/

Método de uso

1. Selecione o endpoint “deepseek-v3.2” para enviar a solicitação à API e defina o corpo da solicitação. O método e o corpo da solicitação são obtidos na documentação da API do nosso site. Nosso site também oferece teste via Apifox para sua conveniência.
2. Substitua <YOUR_API_KEY> pela sua chave real da CometAPI da sua conta.
3. Selecione o formato Chat: Insira sua pergunta ou solicitação no campo content — é isso que o modelo responderá.
4. Procese a resposta da API para obter a resposta gerada.