Home/Models/DeepSeek/DeepSeek-V3.2
D

DeepSeek-V3.2

輸入:$0.216/M
輸出:$0.3456/M
上下文:128K
最大輸出:4K
DeepSeek v3.2 是 DeepSeek V3 系列中最新的正式發佈版本：一個大型、推理優先的開放權重語言模型系列，旨在支援長上下文理解、穩健的 Agent/工具運用、高階推理、程式設計與數學。
新
商業用途
概覽
功能
定價
API
版本

DeepSeek v3.2 是什麼？

DeepSeek v3.2 是 DeepSeek V3 系列中最新的生產版本：一個以推理為先的開放權重語言模型家族，專為長上下文理解、穩健的代理/工具使用、高級推理、程式碼與數學而設計。此次發佈包含多個變體（生產版 V3.2 與高效能的 V3.2-Speciale）。該專案強調透過名為 DeepSeek Sparse Attention (DSA) 的新型稀疏注意力機制以及代理/「思考」工作流程（「在工具使用中的思考」）來實現具成本效益的長上下文推理。

主要功能（高層概覽）

  • DeepSeek Sparse Attention (DSA)： 一種稀疏注意力機制，旨在於長上下文情境下顯著降低計算量，同時保留長距離推理能力。（核心研究主張；用於 V3.2-Exp。）
  • 代理式思考 + 工具使用整合： V3.2 強調將「思考」嵌入工具使用：模型在呼叫工具時可在推理/思考模式與非思考（一般）模式間運作，提升多步驟任務與工具協同的決策品質。
  • 大規模代理資料合成管線： DeepSeek 報告稱其訓練語料與代理合成管線涵蓋數千個環境、數萬條複雜指令，以提升互動式任務的魯棒性。
  • DeepSeek Sparse Attention (DSA)： DSA 是在 V3.2 系列中引入的細粒度稀疏注意力方法（首先於 V3.2-Exp），將注意力複雜度由天真式的 O(L²) 降至 O(L·k)（k ≪ L）風格，為每個查詢 token 選擇更小集合的鍵/值 token。結果是在非常長的上下文（128K）下大幅降低記憶體/計算，讓長上下文推理的成本實質下降。
  • Mixture-of-Experts (MoE) 主幹與 Multi-head Latent Attention (MLA)： V3 系列使用 MoE 以高效率提升容量（名義參數量大，但每個 token 的啟用受限），並結合 MLA 方法以維持品質並控制計算量。

技術規格（精簡）

  • 名義參數範圍： 約 671B – 685B（依變體而定）。
  • 上下文窗口（文件化參考）： 在 vLLM/參考配置中為 128,000 tokens（128K）。
  • 注意力： DeepSeek Sparse Attention (DSA) + MLA；在長上下文下降低注意力複雜度。
  • 數值與訓練精度： 提供 BF16 / F32 與壓縮量化格式（F8_E4M3 等）以供分發。
  • 架構家族： 以 MoE（專家混合）為主幹，實現每 token 的計算節省。
  • 輸入/輸出： 標準分詞文字輸入（支援聊天/訊息格式）；支援工具呼叫（工具使用 API 原語），同時支援互動式聊天呼叫與透過 API 的程式化補全。
  • 提供的變體： v3.2、v3.2-Exp（實驗性，DSA 首次亮相）、v3.2-Speciale（以推理為先，短期僅供 API）。

基準表現

高計算資源的 V3.2-Speciale 在多項推理/數學/程式碼基準上達到與當前高端模型持平或更優，並在特定高難度數學題集上取得頂尖成績。論文本指出在部份推理基準上可與 GPT-5 / Kimi K2 等模型相當，且相較於早期的 DeepSeek R1/V3 基準有明顯提升：

  • AIME： 從 70.0 提升至 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）。

與其他模型的比較（高層）

  • 相較於 GPT-5 / Gemini 3 Pro（公開說法）： DeepSeek 作者與多家媒體宣稱 Speciale 變體在特定推理與程式任務上可達到持平或更優，同時強調成本效率與開放授權為差異化優勢。
  • 相較於開源模型（Olmo、Nemotron、Moonshot 等）： DeepSeek 強調代理式訓練與 DSA 是長上下文效率的關鍵差異點。

代表性使用場景

  • 代理式系統/協同編排： 多工具代理（API、網頁爬蟲、程式碼執行連接器）受益於模型層級的「思考」+ 明確工具呼叫原語。
  • 長文檔推理/分析： 法律文件、大型研究語料、會議逐字稿——長上下文變體（128k tokens）允許在一次呼叫中保留非常大的上下文。
  • 複雜數學與程式碼助理： 根據廠商基準，V3.2-Speciale 主打高級數學推理與大規模程式碼除錯。
  • 對成本敏感的生產部署： DSA + 價格策略旨在降低高上下文工作負載的推理成本。

如何開始使用 DeepSeek v3.2 API

DeepSeek v3.2 在 CometAPI 的定價，較官方價優惠 20%：

輸入 Token$0.22
輸出 Token$0.35

必要步驟

  • 登入 cometapi.com。若尚非我們的使用者，請先註冊
  • 取得介面的存取憑證 API 金鑰。在個人中心的 API token 處點擊 “Add Token”，取得 token key：sk-xxxxx 並提交。
  • 取得本站的 URL：https://api.cometapi.com/

使用方法

  1. 選擇 “deepseek-v3.2” 端點發送 API 請求並設定請求體。請求方法與請求體可於我們的網站 API 文件獲取。我們的網站也提供 Apifox 測試以供便利。
  2. 將 <YOUR_API_KEY> 替換為你帳戶中的實際 CometAPI 金鑰。
  3. 選擇聊天格式：將你的問題或請求插入 content 欄位——模型將回應該內容。
  4. 處理 API 回應以取得生成的答案。

DeepSeek-V3.2 的功能

探索 DeepSeek-V3.2 的核心功能，專為提升效能和可用性而設計。了解這些功能如何為您的專案帶來效益並改善使用者體驗。

DeepSeek-V3.2 的定價

探索 DeepSeek-V3.2 的競爭性定價，專為滿足各種預算和使用需求而設計。我們靈活的方案確保您只需為實際使用量付費，讓您能夠隨著需求增長輕鬆擴展。了解 DeepSeek-V3.2 如何在保持成本可控的同時提升您的專案效果。
彗星價格 (USD / M Tokens)官方價格 (USD / M Tokens)折扣
輸入:$0.216/M
輸出:$0.3456/M
輸入:$0.27/M
輸出:$0.432/M
-20%

DeepSeek-V3.2 的範例程式碼和 API

存取完整的範例程式碼和 API 資源，以簡化您的 DeepSeek-V3.2 整合流程。我們詳盡的文件提供逐步指引，協助您在專案中充分發揮 DeepSeek-V3.2 的潛力。
Python
JavaScript
Curl
from openai import OpenAI
import os

# Get your CometAPI key from https://api.cometapi.com/console/token, and paste it here
COMETAPI_KEY = os.environ.get("COMETAPI_KEY") or "<YOUR_COMETAPI_KEY>"
BASE_URL = "https://api.cometapi.com/v1"

client = OpenAI(base_url=BASE_URL, api_key=COMETAPI_KEY)

completion = client.chat.completions.create(
    model="deepseek-v3.2-exp",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Hello!"},
    ],
)

print(completion.choices[0].message.content)

DeepSeek-V3.2的版本

DeepSeek-V3.2擁有多個快照的原因可能包括：更新後輸出結果存在差異需保留舊版快照以確保一致性、為開發者提供適應與遷移的過渡期，以及不同快照對應全球或區域端點以優化使用者體驗等潛在因素。各版本間的具體差異請參閱官方文件說明。
deepseek-v3.2
DeepSeek-V3.2-Exp-nothinking
DeepSeek-V3.2-Exp-thinking

更多模型