Sind die Gewichte offen und kann ich DeepSeek V3.2 lokal ausführen?

Ja, die Gewichte sind öffentlich auf Hugging Face unter deepseek-ai/DeepSeek-V3.2 verfügbar. Beachten Sie, dass das Modell sehr groß ist, sodass die lokale Bereitstellung erhebliche Hardware erfordert.

Was kostet DeepSeek V3.2 und wie groß ist das Kontextfenster?

Über die API kostet es 0,26 $ pro Million Eingabetoken und 0,80 $ pro Million Ausgabetoken, mit einem Kontextfenster von 163.840 Token.

Worin unterscheidet sich V3.2 von früheren DeepSeek V3-Versionen?

V3.2 fügt DeepSeek Sparse Attention für günstigere Langzeit-Kontextinferenz hinzu, ein skaliertes RL-Post-Training-Framework, eine neue agentische Aufgaben-Synthese-Pipeline und eine überarbeitete Chatvorlage mit einer ‚Denken mit Werkzeugen‘-Funktion, die in früheren Versionen nicht vorhanden war.

▲

1.6%

diese Woche

DeepSeek V3.2

8488°

#llm #deepseek #logik #agenten #mathematik #programmieren

2026

Modell ausführen

Angebote / Werbung

OpenRouter Terminal / API

Bezahlung pro Token

Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.

DeepSeek | 163.840 Token Kontext | $0.26/M Eingabe, $0.80/M Ausgabe. DeepSeek-V3.2 ist ein großes Sprachmodell, das hohe Rechenleistung mit starker Reasoning- und agentischer Werkzeugnutzung kombiniert. Es führt DeepSeek Sparse Attention (DSA) ein, einen feinkörnigen sparsamen Aufmerksamkeitsmechanismus, der Trainings- und Inferenzkosten reduziert und gleichzeitig die Qualität in Langzeit-Kontext-Szenarien bewahrt. Ein skalierbares Reinforcement-Learning-Nachtraining verbessert das Reasoning weiter, mit berichteter Leistung in der GPT-5-Klasse, und das Modell hat Goldmedaillen-Ergebnisse bei…DeepSeek | 163.840 Token Kontext | $0.26/M Eingabe, $0.80/M Ausgabe. DeepSeek-V3.2 ist ein großes Sprachmodell, das hohe Rechenleistung mit starker Reasoning- und agentischer Werkzeugnutzung kombiniert. Es führt DeepSeek Sparse Attention (DSA) ein, einen feinkörnigen sparsamen Aufmerksamkeitsmechanismus, der Trainings- und Inferenzkosten reduziert und gleichzeitig die Qualität in Langzeit-Kontext-Szenarien bewahrt. Ein skalierbares Reinforcement-Learning-Nachtraining verbessert das Reasoning weiter, mit berichteter Leistung in der GPT-5-Klasse, und das Modell hat Goldmedaillen-Ergebnisse bei der IMO 2025 und IOI erzielt. V3.2 nutzt außerdem eine groß angelegte agentische Aufgabensynthese-Pipeline, um Reasoning besser in Werkzeugnutzungsszenarien zu integrieren, was Compliance und Generalisierung in interaktiven Umgebungen steigert. Nutzer können das Reasoning-Verhalten mit dem reasoning enabled Boolean steuern. Mehr dazu in unserer DokumentationOpens in new tab

Anleitungen zu diesem Modell

Beste lokale LLM nach Anwendungsfall (Oktober 2026): Das richtige offene Modell für jede Aufgabe

Wie viel VRAM brauche ich eigentlich für lokale KI?

Was ist eine GGUF-Datei? Quantisierte Modelle erklärt (Q4, Q8, fp8, NF4)

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

DeepSeek V3.2 ist ein großes Open-Weights-Modell von DeepSeek, das auf drei technischen Kernideen basiert: ein sparsamer Aufmerksamkeitsmechanismus, der die Rechenkosten bei langen Kontexten senkt, ein skaliertes Reinforcement-Learning-Post-Training-Framework und eine agentische Aufgaben-Synthese-Pipeline, die logisches Denken in die Werkzeugnutzung integriert. Der Hersteller berichtet von Leistungen auf GPT-5-Niveau mit Goldmedaillen-Ergebnissen bei den Mathematik- und Programmierwettbewerben IMO und IOI 2025. Bei unter einem Dollar pro Million Ausgabetoken ist es eine ernsthafte Option, wenn Sie Spitzenleistungsdenken ohne Spitzenkosten benötigen.

Bekannt für

Goldmedaillen-Leistung bei den Mathematik- und Programmierwettbewerben IMO und IOI 2025.
DeepSeek Sparse Attention reduziert die Inferenzkosten bei gleichbleibender Qualität langer Kontexte.
Logisches Denken kann über einen einzigen booleschen Parameter ein- oder ausgeschaltet werden.
Agentische Werkzeugnutzung verbessert durch groß angelegte synthetische Trainingsdaten.
Offene Gewichte auf Hugging Face verfügbar für selbstgehostete Bereitstellung.

Achte auf

Keine Jinja-Chatvorlage; Sie müssen die kundenspezifischen Python-Codierungsskripte des Herstellers verwenden, was die Integration erschwert.
Das lokale Ausführen eines Modells dieser Größenordnung erfordert ernsthafte Hardware – prüfen Sie Ihren VRAM vor dem Download.
Die rechenintensive Variante DeepSeek-V3.2-Speciale wird separat beschrieben; die Standardversion V3.2 ist hier die API-zugängliche Version.

Am besten für

Logisches Denken

Agenten und Werkzeugnutzung

Mathematik

Programmieren

Lokal ausführbar

Prompts zum Ausprobieren

Schwierige Wettbewerbs-Mathematikaufgabe

Eine Folge ist definiert durch a₁ = 1, a₂ = 1 und aₙ = aₙ₋₁ + aₙ₋₂ + n für n ≥ 3. Finde eine geschlossene Formel oder Rekurrenz für den allgemeinen Term und beweise deine Antwort. Zeige jeden Schritt deiner Überlegung.

Mehrstufiger agentischer Plan

Du hast Zugriff auf ein Web-Suchwerkzeug, einen Python-Interpreter und ein Dateischreibwerkzeug. Ein Nutzer möchte einen wöchentlichen Bericht über die fünf wichtigsten Open-Source-LLM-Veröffentlichungen, gespeichert als Markdown-Datei. Schreibe den vollständigen Werkzeugaufrufplan: welche Werkzeuge du in welcher Reihenfolge mit welchen Eingaben aufrufst und wie du mit einem fehlgeschlagenen Suchergebnis umgehst.

Aufgabe aus dem Wettbewerbprogrammieren

Gegeben ist ein Array mit n ganzen Zahlen. Finde die Länge des längsten Teilarrays, dessen Elementsumme durch k teilbar ist. Schreibe eine Lösung in Python mit O(n)-Zeitkomplexität, erkläre, warum sie funktioniert, und füge zwei Testfälle mit erwarteten Ausgaben bei.

Vergleichen mit

DeepSeek V4.1 Flash
Modell mit offenen Gewichten
1,048,576 Token Kontext · $0.04/M Eingabe, $0.68/M Ausgabe
DeepSeek V4 Flash 0731
Modell mit offenen Gewichten
1,048,576 Token Kontext · $0.01/M Eingabe, $1.28/M Ausgabe
DeepSeek V4 Flash 0423
Modell mit offenen Gewichten
1,048,576 Token Kontext · $0.09/M Eingabe, $0.18/M Ausgabe
DeepSeek V4 Pro 0813
Modell mit offenen Gewichten
1,048,576 Token Kontext · $1.32/M Eingabe, $3.96/M Ausgabe

Mehr Textmodelle von deepseek

Häufig gestellte Fragen

Sind die Gewichte offen und kann ich DeepSeek V3.2 lokal ausführen?: Ja, die Gewichte sind öffentlich auf Hugging Face unter deepseek-ai/DeepSeek-V3.2 verfügbar. Beachten Sie, dass das Modell sehr groß ist, sodass die lokale Bereitstellung erhebliche Hardware erfordert.
Was kostet DeepSeek V3.2 und wie groß ist das Kontextfenster?: Über die API kostet es 0,26 $ pro Million Eingabetoken und 0,80 $ pro Million Ausgabetoken, mit einem Kontextfenster von 163.840 Token.
Worin unterscheidet sich V3.2 von früheren DeepSeek V3-Versionen?: V3.2 fügt DeepSeek Sparse Attention für günstigere Langzeit-Kontextinferenz hinzu, ein skaliertes RL-Post-Training-Framework, eine neue agentische Aufgaben-Synthese-Pipeline und eine überarbeitete Chatvorlage mit einer ‚Denken mit Werkzeugen‘-Funktion, die in früheren Versionen nicht vorhanden war.

Captain's Urteil
Eine seltene Kombination aus offenen Gewichten, Ausgabepreisen unter einem Dollar und echtem Spitzenleistungsdenken – der Integrationsaufwand ist real, aber lohnenswert.

Model Card auf Hugging Face

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

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

Beliebtheitstrend von DeepSeek V3.2

Heat-Score seit 1 Dec 2025

Heat-Score

8,488°

Diese Woche

▲

1.6%

8,485° damals, 8,488° jetzt

Diesen Monat

▲

7.4%

8,476° damals, 8,488° jetzt

Vergangenes Jahr

n/a

Noch nicht veröffentlicht/erfasst

7,000°

Grundwert

Die Skala reicht von 0° bis 9.999°. Alles unterhalb von 7,000° ist für Modelle reserviert, über die noch keine Quelle berichtet hat. Diese tragen dort eine Platzhalterzahl, damit die Listen vollständig bleiben. 7,000° ist der Punkt, an dem gemessene Daten beginnen: Ein Modell mit echten Daten, aber fast keinen Downloads, sitzt auf dem Grundwert, und die Messungen füllen die Grade darüber. Der Grundwert sagt nichts über das Modell aus; nur die Grade darüber tun das und trennen ein Modell vom anderen.

+1,488°

OpenRouter Tokens

914,260,079,186 Tokens hat dieses Modell in den letzten 30 Tagen über OpenRouter verarbeitet, Eingaben und Antworten zusammen. Je 10,000,000 Tokens zählen als ein Download im Download-Zeitraum, insgesamt 91,426; die Tokens des letzten Tages fließen in die Adoptionsrate ein. Quelle: OpenRouter (openrouter.ai/rankings).

Detaillierte Aufschlüsselung anzeigen

Jede Zahl auf dieser Seite kann überprüft werden. Der Heat-Score dieses Modells beträgt 8,488°, und hier wird er Schritt für Schritt aufgebaut, mit dem laufenden Gesamtwert nach jedem Schritt: der Grundwert, die Grad, die jede Quelle hinzufügt, der Bonus für die Art des Modells und was das Alter seiner Gewichte abzieht. Die Farben entsprechen den Bereichen der obigen Grafik. Das Glossar am Ende erklärt jeden Begriff.

1
Starte beim Grundwert.
Warum 7,000° und nicht null: Die Skala reicht von 0° bis 9.999°, und der Bereich unter 7,000° ist für Modelle reserviert, über die noch keine Quelle berichtet hat. Diese tragen dort eine Platzhalterzahl, damit die Listen vollständig bleiben und niemals über einem Modell mit Daten stehen. 7,000° ist der Punkt, an dem gemessene Daten beginnen. Ein Modell mit echten Daten, aber fast keinen Downloads, sitzt hier; alles, was folgt, ist Messung, und der Bereich über dem Grundwert enthält zehn zehnfache Schritte bei Downloads zu je 300°. Der Grundwert ist für jedes Modell gleich, er entscheidet also nichts; die Grade darüber tun das.
7,000°
laufende Summe
2
Füge die Downloads hinzu.
91,426 Download-Äquivalente insgesamt, von OpenRouter Tokens. Zehnmal die Downloads ergeben denselben 300°, also zählt die Größe, aber sie dominiert die Bewertung nie.
+1,488°
8,488°
laufende Summe
=
Der Heat-Score.
Wo dieses Modell auf jeder Liste dieser Seite steht. Nichts anderes beeinflusst ihn.
8,488°

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Wie sich die Beliebtheit dieses Modells im Vergleich zum Rest des Katalogs entwickelt hat: sein Wachstum bei Downloads, Likes und Nutzung in jedem Zeitraum, gemessen am typischen Wachstum eines Modells im gleichen Zeitraum, mit dem Heat-Score zu diesem Zeitpunkt. Über dem typischen Wachstum bedeutet ein Anstieg, darunter ein Rückgang. Die Vergangenheit wird aus den heutigen Gesamtzahlen, dem ersten Tag des Modells und seiner gemessenen Download-Geschwindigkeit rekonstruiert, wenn zwei Messungen vorliegen; ein Modell, das zu Beginn eines Zeitraums nicht existierte, zeigt n/a an.

Ähnliche Modelle

Qwen3 30B A3B Thinking 2507

TEXT / LLM

Nemotron 3.5 Super VL

TEXT / LLM

KI-Modelle für Bild-, Video- und Texterzeugung

DeepSeek V3.2 ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm deepseek logik agenten mathematik programmieren lokal

Nach Modellfamilie stöbern