Les poids sont-ils ouverts et puis-je exécuter DeepSeek V3.2 localement ?

Oui, les poids sont publiquement disponibles sur Hugging Face sous deepseek-ai/DeepSeek-V3.2. Sachez que le modèle est très volumineux, donc le déploiement local nécessite un matériel conséquent.

Quel est le coût de DeepSeek V3.2 et quelle est la fenêtre de contexte ?

Via API, le prix est de 0,26 $ par million de tokens en entrée et 0,80 $ par million de tokens en sortie, avec une fenêtre de contexte de 163 840 tokens.

En quoi V3.2 diffère-t-il des versions antérieures de DeepSeek V3 ?

V3.2 ajoute DeepSeek Sparse Attention pour une inférence moins coûteuse sur de longs contextes, un cadre d'entraînement postérieur par RL à échelle, un nouveau pipeline de synthèse de tâches agentique, et un template de chat révisé avec une capacité de « réflexion avec outils » absente des versions précédentes.

▲

1.6%

cette semaine

DeepSeek V3.2

8488°

#llm #deepseek #raisonnement #agents #mathématiques #programmation

2026

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

DeepSeek | contexte de 163 840 tokens | 0,26 $/M en entrée, 0,80 $/M en sortie. DeepSeek-V3.2 est un grand modèle de langage conçu pour harmoniser haute efficacité computationnelle avec de solides performances en raisonnement et usage d'outils agentiques. Il introduit DeepSeek Sparse Attention (DSA), un mécanisme d'attention parcimonieuse fine qui réduit les coûts d'entraînement et d'inférence tout en préservant la qualité dans les scénarios à long contexte. Un cadre d'entraînement par renforcement post-formation évolutif améliore encore le raisonnement, avec des performances rapportées dans…DeepSeek | contexte de 163 840 tokens | 0,26 $/M en entrée, 0,80 $/M en sortie. DeepSeek-V3.2 est un grand modèle de langage conçu pour harmoniser haute efficacité computationnelle avec de solides performances en raisonnement et usage d'outils agentiques. Il introduit DeepSeek Sparse Attention (DSA), un mécanisme d'attention parcimonieuse fine qui réduit les coûts d'entraînement et d'inférence tout en préservant la qualité dans les scénarios à long contexte. Un cadre d'entraînement par renforcement post-formation évolutif améliore encore le raisonnement, avec des performances rapportées dans la classe GPT-5, et le modèle a obtenu des résultats médaillés d'or aux IMO et IOI 2025. V3.2 utilise aussi un pipeline de synthèse de tâches agentiques à grande échelle pour mieux intégrer le raisonnement dans les contextes d'usage d'outils, augmentant la conformité et la généralisation en environnements interactifs. Les utilisateurs peuvent contrôler le comportement de raisonnement avec le booléen reasoning enabled. En savoir plus dans nos docsOpens in new tab

Guides pour ce modèle

Meilleur LLM local par cas d’usage (octobre 2026) : le bon modèle open source pour chaque tâche

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

DeepSeek V3.2 est un grand modèle à poids ouverts de DeepSeek construit autour de trois paris techniques : un mécanisme d'attention parcimonieuse qui réduit les coûts de calcul sur de longs contextes, un cadre d'entraînement postérieur par apprentissage par renforcement à échelle, et un pipeline de synthèse de tâches agentique qui intègre le raisonnement dans l'utilisation d'outils. Le fabricant rapporte des performances de classe GPT-5, avec des résultats médaillés d'or aux compétitions IMO et IOI 2025. À moins d'un dollar par million de tokens en sortie, c'est une option sérieuse si vous avez besoin d'un raisonnement de pointe sans factures de pointe.

Connu pour

Performance médaillée d'or aux compétitions mathématiques et de codage IMO et IOI 2025.
DeepSeek Sparse Attention réduit le coût d'inférence tout en maintenant la qualité sur de longs contextes.
Le raisonnement peut être activé ou désactivé via un simple paramètre booléen.
Utilisation agentique d'outils améliorée grâce à un entraînement synthétique à grande échelle.
Poids ouverts disponibles sur Hugging Face pour un déploiement en auto-hébergement.

Attention à

Pas de template de chat Jinja ; vous devez utiliser les scripts d'encodage Python personnalisés du fabricant, ce qui ajoute une friction à l'intégration.
Exécuter un modèle de cette envergure localement exige un matériel sérieux — vérifiez votre VRAM avant de télécharger.
La variante à haute puissance DeepSeek-V3.2-Speciale est décrite séparément ; la version standard V3.2 est celle accessible via API ici.

Idéal pour

Raisonnement

Agents et utilisation d'outils

Mathématiques

Programmation

Fonctionne localement

Prompts à essayer

Problème mathématique difficile de compétition

Une suite est définie par a₁ = 1, a₂ = 1, et aₙ = aₙ₋₁ + aₙ₋₂ + n pour n ≥ 3. Trouvez une expression fermée ou une récurrence pour le terme général, et prouvez votre réponse. Montrez chaque étape de votre raisonnement.

Plan agentique multi-étapes

Vous avez accès à un outil de recherche web, un interpréteur Python, et un outil d'écriture de fichiers. Un utilisateur souhaite un rapport hebdomadaire sur les cinq principales sorties de LLM open-source, sauvegardé en fichier markdown. Écrivez le plan complet d'appel des outils : quels outils vous appelez, dans quel ordre, avec quelles entrées, et comment vous gérez un résultat de recherche échoué.

Tâche de programmation compétitive

Étant donné un tableau de n entiers, trouvez la longueur de la plus longue sous-séquence dont la somme des éléments est divisible par k. Écrivez une solution en Python avec une complexité en temps O(n), expliquez pourquoi elle fonctionne, et incluez deux cas de test avec les sorties attendues.

Comparer avec

DeepSeek V4.1 Flash
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $0.04/M, sortie $0.68/M
DeepSeek V4 Flash 0731
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $0.01/M, sortie $1.28/M
DeepSeek V4 Flash 0423
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $0.09/M, sortie $0.18/M
DeepSeek V4 Pro 0813
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $1.32/M, sortie $3.96/M

Plus de modèles de texte de deepseek

Questions fréquentes

Les poids sont-ils ouverts et puis-je exécuter DeepSeek V3.2 localement ?: Oui, les poids sont publiquement disponibles sur Hugging Face sous deepseek-ai/DeepSeek-V3.2. Sachez que le modèle est très volumineux, donc le déploiement local nécessite un matériel conséquent.
Quel est le coût de DeepSeek V3.2 et quelle est la fenêtre de contexte ?: Via API, le prix est de 0,26 $ par million de tokens en entrée et 0,80 $ par million de tokens en sortie, avec une fenêtre de contexte de 163 840 tokens.
En quoi V3.2 diffère-t-il des versions antérieures de DeepSeek V3 ?: V3.2 ajoute DeepSeek Sparse Attention pour une inférence moins coûteuse sur de longs contextes, un cadre d'entraînement postérieur par RL à échelle, un nouveau pipeline de synthèse de tâches agentique, et un template de chat révisé avec une capacité de « réflexion avec outils » absente des versions précédentes.

Verdict du capitaine
Une combinaison rare de poids ouverts, d'un prix de sortie inférieur au dollar, et d'un raisonnement véritablement de pointe — la surcharge d'intégration est réelle mais en vaut la peine.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Also ranked: #190 Hottest AI model · #56 Hottest Text / LLM model · #56 Hottest Text / LLM text model

Not this creator?

Get your own badge

Tendance de popularité de DeepSeek V3.2

Score de chaleur depuis 1 Dec 2025

Score de popularité

8,488°

Cette semaine

▲

1.6%

8,485° alors, 8,488° maintenant

Ce mois-ci

▲

7.4%

8,476° alors, 8,488° maintenant

L'année passée

n/a

Pas encore publié/suivi

7,000°

Plancher

L’échelle va de 0° à 9 999°. Tout ce qui est en dessous de 7,000° est réservé aux modèles dont aucune source ne rapporte encore de données, ils portent un nombre de remplacement pour que les listes restent complètes. 7,000° est le point où les données mesurées commencent : un modèle avec de vraies données mais presque aucun téléchargement est au plancher, et les mesures remplissent les degrés au-dessus. Le plancher ne dit rien sur le modèle ; seuls les degrés au-dessus le font, et ce sont eux qui différencient un modèle d’un autre.

+1,488°

Tokens OpenRouter

914,260,079,186 tokens traités par ce modèle via OpenRouter au cours des 30 derniers jours, prompts et réponses confondus. Chaque 10,000,000 tokens compte comme un téléchargement dans le terme de téléchargement, 91,426 au total ; les tokens du dernier jour s'ajoutent au taux d'adoption. Source : OpenRouter (openrouter.ai/rankings).

Afficher le détail

Chaque chiffre sur ce site peut être vérifié. Le score de popularité de ce modèle est de 8,488°, et voici comment il est construit, ingrédient par ingrédient, avec le total cumulé après chaque étape : le plancher, les degrés ajoutés par chaque source, le bonus pour le type de modèle et ce que l’âge de ses poids enlève. Les couleurs correspondent aux bandes du graphique ci-dessus. Le glossaire à la fin définit chaque terme.

1
Commence au plancher.
Pourquoi 7,000° et pas zéro : l’échelle va de 0° à 9 999°, et la partie en dessous de 7,000° est réservée aux modèles dont aucune source ne rapporte encore de données, qui portent un nombre de remplacement pour que les listes restent complètes et ne dépassent jamais un modèle avec données. 7,000° est le point où les données mesurées commencent. Un modèle avec de vraies données mais presque aucun téléchargement est ici ; tout ce qui suit est une mesure, et l’espace au-dessus du plancher contient dix paliers de dix fois plus de téléchargements à 300° chacun. Le plancher est le même pour tous les modèles, donc il ne décide rien ; ce sont les degrés au-dessus qui le font.
7,000°
total en cours
2
Ajoute les téléchargements.
91,426 équivalents de téléchargement au total, venant de Tokens OpenRouter. Multiplier les téléchargements par dix ajoute le même 300°, donc la taille compte mais ne domine jamais le score.
+1,488°
8,488°
total en cours
=
Le score de chaleur.
La place de ce modèle dans chaque liste de ce site. Rien d’autre ne le modifie.
8,488°

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Voici comment la popularité de ce modèle a évolué par rapport au reste du catalogue : sa croissance en téléchargements, likes et utilisation à chaque période, comparée à la croissance typique des modèles sur la même période, avec son score de chaleur à ce moment-là. Au-dessus de la croissance typique, c’est une hausse, en dessous, une baisse. Le passé est reconstitué à partir des totaux d’aujourd’hui, du premier jour du modèle et de sa vitesse de téléchargement mesurée quand il y a deux relevés ; un modèle qui n’existait pas au début d’une période affiche n/a.

Modèles similaires

Modèles d'IA pour générer image, vidéo et texte

DeepSeek V3.2 est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm deepseek raisonnement agents mathématiques programmation local

Parcourir par famille de modèles