Что такое DeepSeek v3.2?
DeepSeek v3.2 — это последний продуктовый релиз в семействе DeepSeek V3: крупное семейство языковых моделей с приоритетом рассуждений и открытыми весами, разработанное для долгого контекста, надёжного использования агентов/инструментов, продвинутых рассуждений, программирования и математики. Релиз включает несколько вариантов (продукционный V3.2 и высокопроизводительный V3.2-Speciale). Проект делает акцент на экономичном инференсе для длинного контекста благодаря новому механизму разреженного внимания под названием DeepSeek Sparse Attention (DSA) и агентным/«мыслящим» рабочим процессам («Мышление при использовании инструментов»).
Основные возможности (высокоуровневое описание)
- DeepSeek Sparse Attention (DSA): механизм разреженного внимания, призванный резко снизить вычислительные затраты в сценариях с длинным контекстом при сохранении дальнодействующих рассуждений. (Ключевое исследовательское утверждение; используется в
V3.2-Exp.) - Агентное мышление + интеграция с инструментами: V3.2 делает упор на встраивание «мышления» в использование инструментов: модель может работать в «мыслящих» режимах рассуждений и в «немыслящих» (нормальных) режимах при вызове инструментов, улучшая принятие решений в многошаговых задачах и оркестрацию инструментов.
- Масштабный конвейер синтеза данных для агентов: DeepSeek сообщает о корпусе обучения и конвейере синтеза агентов, охватывающих тысячи сред и десятки тысяч сложных инструкций для повышения устойчивости в интерактивных задачах.
- DeepSeek Sparse Attention (DSA): DSA — это детализированный метод разреженного внимания, представленный в линии V3.2 (впервые в V3.2-Exp), который снижает сложность внимания (с наивной O(L²) до вида O(L·k) с k ≪ L), выбирая меньший набор ключевых/значимых токенов для каждого токена-запроса. Результат — существенно меньшие затраты памяти/вычислений для очень длинных контекстов (128K), что делает инференс для длинного контекста значительно дешевле.
- Архитектура Mixture-of-Experts (MoE) и Multi-head Latent Attention (MLA): семейство V3 использует MoE для эффективного увеличения ёмкости (большое номинальное число параметров при ограниченной активации на токен) вместе с MLA-методами для поддержания качества и контроля вычислительных затрат.
Технические характеристики (кратко)
- Номинальный диапазон параметров: ~671B – 685B (в зависимости от варианта).
- Окно контекста (согласно документации): 128 000 токенов (128K) в vLLM/reference configs.
- Внимание: DeepSeek Sparse Attention (DSA) + MLA; сниженная сложность внимания для длинных контекстов.
- Числовая и учебная точность: BF16 / F32 и сжатые квантизованные форматы (F8_E4M3 и т. п.) доступны для распространения.
- Архитектурное семейство: базовая архитектура на основе MoE (смеси экспертов) с экономией активации на токен.
- Ввод / вывод: стандартный токенизированный текстовый ввод (поддерживаются чат-/сообщенческие форматы); поддерживает вызовы инструментов (примитивы API для использования инструментов) и как интерактивные чат-вызовы, так и программные завершения через API.
- Доступные варианты:
v3.2,v3.2-Exp(экспериментальный, дебют DSA),v3.2-Speciale(приоритет рассуждений, временно только через API).
Производительность в бенчмарках
Высокопроизводительный V3.2-Speciale достигает паритета или превосходит современные топовые модели на ряде бенчмарков по рассуждениям/математике/кодированию и демонстрирует высший уровень на отдельных элитных наборах задач по математике. В препринте отмечен паритет с моделями вроде GPT-5 / Kimi K2 на выбранных бенчмарках рассуждений и конкретные улучшения относительно предыдущих базовых линий DeepSeek R1/V3:
- AIME: рост с 70.0 до 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).
Сравнение с другими моделями (высокоуровнево)
- Против GPT-5 / Gemini 3 Pro (публичные заявления): авторы DeepSeek и ряд СМИ заявляют о паритете или превосходстве на отдельных задачах по рассуждениям и программированию для варианта Speciale, подчёркивая при этом экономичность и открытую лицензию как отличительные особенности.
- Против открытых моделей (Olmo, Nemotron, Moonshot и др.): DeepSeek выделяет агентно-ориентированное обучение и DSA как ключевые отличия для эффективности на длинном контексте.
Типичные варианты использования
- Агентные системы / оркестрация: многоинструментальные агенты (API, веб-скрейперы, коннекторы для выполнения кода), которые выигрывают от «мышления» на уровне модели + явных примитивов вызова инструментов.
- Рассуждение / анализ длинных документов: юридические документы, крупные исследовательские корпусы, стенограммы встреч — варианты с длинным контекстом (128k токенов) позволяют держать очень большие контексты в одном вызове.
- Сложная математика и помощь в кодировании:
V3.2-Specialeпродвигается для продвинутых математических рассуждений и масштабной отладки кода согласно вендорским бенчмаркам. - Производственные развёртывания с чувствительностью к стоимости: DSA + изменения цен направлены на снижение стоимости инференса для задач с большим контекстом.
Как начать пользоваться API DeepSeek v3.2
Цены API DeepSeek v3.2 в CometAPI, на 20% ниже официальных:
| Входные токены | $0.22 |
|---|---|
| Выходные токены | $0.35 |
Необходимые шаги
- Войдите на cometapi.com. Если вы ещё не являетесь нашим пользователем, сначала зарегистрируйтесь.
- Получите ключ API для доступа к интерфейсу. Нажмите «Add Token» в разделе API token в личном кабинете, получите ключ токена: sk-xxxxx и отправьте.
- Получите URL этого сайта:
https://api.cometapi.com/
Способ использования
- Выберите конечную точку «
deepseek-v3.2» для отправки запроса к API и задайте тело запроса. Метод и тело запроса берите из документации API на нашем сайте. Наш сайт также предоставляет тест в Apifox для вашего удобства. - Замените <YOUR_API_KEY> на ваш фактический ключ CometAPI из учётной записи.
- Выберите формат Chat: вставьте ваш вопрос или запрос в поле content — на него модель и ответит.
- Обработайте ответ API, чтобы получить сгенерированный ответ.