DeepSeek V3.2
8488°
Esegui questo modello
Offerte / Annunci
DeepSeek | contesto da 163.840 token | $0.26/M input, $0.80/M output. DeepSeek-V3.2 è un grande modello linguistico progettato per armonizzare alta efficienza computazionale con forti prestazioni di ragionamento e uso agentico di strumenti. Introduce DeepSeek Sparse Attention (DSA), un meccanismo di attenzione sparsa fine che riduce i costi di addestramento e inferenza mantenendo la qualità in scenari a contesto lungo. Un framework scalabile di post-addestramento con reinforcement learning migliora ulteriormente il ragionamento, con prestazioni riportate nella classe GPT-5, e il modello ha…DeepSeek | contesto da 163.840 token | $0.26/M input, $0.80/M output. DeepSeek-V3.2 è un grande modello linguistico progettato per armonizzare alta efficienza computazionale con forti prestazioni di ragionamento e uso agentico di strumenti. Introduce DeepSeek Sparse Attention (DSA), un meccanismo di attenzione sparsa fine che riduce i costi di addestramento e inferenza mantenendo la qualità in scenari a contesto lungo. Un framework scalabile di post-addestramento con reinforcement learning migliora ulteriormente il ragionamento, con prestazioni riportate nella classe GPT-5, e il modello ha dimostrato risultati da medaglia d'oro alle IMO e IOI 2025. La V3.2 utilizza anche una pipeline di sintesi di compiti agentici su larga scala per integrare meglio il ragionamento in ambienti di uso di strumenti, aumentando conformità e generalizzazione in ambienti interattivi. Gli utenti possono controllare il comportamento di ragionamento con il booleano reasoning enabled. Scopri di più nella nostra documentazioneOpens in new tab
Guide per questo modello
Il miglior LLM locale per caso d'uso (ottobre 2026): il modello open giusto per ogni lavoro
Quanta VRAM serve davvero per l'AI locale?
Cos'è un file GGUF? Modelli quantizzati spiegati (Q4, Q8, fp8, NF4)
Note del capitano
Note del 2026-10-13
DeepSeek V3.2 è un grande modello open-weights di DeepSeek costruito attorno a tre scommesse tecniche: un meccanismo di attenzione sparsa che riduce i costi computazionali su contesti lunghi, un framework di post-addestramento con apprendimento per rinforzo scalato e una pipeline di sintesi agentica dei compiti che integra il ragionamento nell’uso degli strumenti. Il produttore riporta prestazioni nella classe GPT-5, con risultati da medaglia d’oro alle competizioni IMO e IOI 2025. A meno di un dollaro per milione di token di output, è un’opzione seria se ti serve un ragionamento di livello all’avanguardia senza bollette da frontiera.
Conosciuto per
- Prestazioni da medaglia d’oro alle competizioni matematiche e di coding IMO e IOI 2025.
- DeepSeek Sparse Attention riduce il costo di inferenza mantenendo la qualità su contesti lunghi.
- Il ragionamento può essere attivato o disattivato tramite un singolo parametro booleano.
- Uso agentico degli strumenti migliorato grazie a dati sintetici di addestramento su larga scala.
- Pesi open disponibili su Hugging Face per il deployment in locale.
Attenzione a
- Nessun template chat Jinja; devi usare gli script di codifica Python personalizzati del produttore, il che aggiunge attrito all’integrazione.
- Eseguire un modello di questa scala in locale richiede hardware serio — controlla la tua VRAM prima di scaricarlo.
- La variante ad alto consumo computazionale DeepSeek-V3.2-Speciale è descritta separatamente; la versione standard V3.2 è quella accessibile via API qui.
Prompt da provare
Problema matematico difficile da competizione
Una sequenza è definita da a₁ = 1, a₂ = 1, e aₙ = aₙ₋₁ + aₙ₋₂ + n per n ≥ 3. Trova un’espressione chiusa o una ricorrenza per il termine generale e dimostra la tua risposta. Mostra ogni passaggio del tuo ragionamento.
Piano agentico multi-step
Hai accesso a uno strumento di ricerca web, a un interprete Python e a uno strumento per scrivere file. Un utente vuole un report settimanale sulle prime cinque release open-source di LLM, salvato come file markdown. Scrivi il piano completo di chiamata degli strumenti: quali strumenti usi, in quale ordine, con quali input e come gestisci un risultato di ricerca fallito.
Compito di programmazione competitiva
Dato un array di n interi, trova la lunghezza della sottosequenza più lunga in cui la somma degli elementi è divisibile per k. Scrivi una soluzione in Python con complessità temporale O(n), spiega perché funziona e includi due casi di test con output attesi.
Confronta con
- DeepSeek V4.1 FlashModello con pesi apertiContesto di 1,048,576 token · Input $0.04/M, output $0.68/M
- DeepSeek V4 Flash 0731Modello con pesi apertiContesto di 1,048,576 token · Input $0.01/M, output $1.28/M
- DeepSeek V4 Flash 0423Modello con pesi apertiContesto di 1,048,576 token · Input $0.09/M, output $0.18/M
- DeepSeek V4 Pro 0813Modello con pesi apertiContesto di 1,048,576 token · Input $1.32/M, output $3.96/M
Altri modelli di testo da deepseek
Domande frequenti
- I pesi sono open e posso eseguire DeepSeek V3.2 in locale?
- Sì, i pesi sono pubblicamente disponibili su Hugging Face sotto deepseek-ai/DeepSeek-V3.2. Tieni presente che il modello è molto grande, quindi il deployment locale richiede hardware sostanziale.
- Quanto costa DeepSeek V3.2 e qual è la finestra di contesto?
- Via API il prezzo è di $0,26 per milione di token in input e $0,80 per milione di token in output, con una finestra di contesto di 163.840 token.
- In cosa differisce V3.2 dalle versioni precedenti di DeepSeek V3?
- V3.2 aggiunge DeepSeek Sparse Attention per un’inferenza a basso costo su contesti lunghi, un framework di post-addestramento con RL scalato, una nuova pipeline agentica di sintesi dei compiti e un template chat rivisto con una capacità di 'pensare con gli strumenti' assente nelle versioni precedenti.
Verdetto del capitanoUna combinazione rara di pesi open, prezzo di output sotto il dollaro e ragionamento davvero di classe frontiera — il sovraccarico di integrazione è reale ma ne vale la pena.
Scheda modello su Hugging Face
Il capitano scrive queste note dalla descrizione e dalla scheda modello. Prezzi e dimensioni del contesto sono quelli del provider al momento della scrittura e possono cambiare.
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.
Also ranked: #190 Hottest AI model · #56 Hottest Text / LLM model · #56 Hottest Text / LLM text model
Not this creator?
Get your own badge
Tendenza di popolarità di DeepSeek V3.2
Punteggio di calore da 1 Dec 2025
Punteggio di popolarità
8,488°
Questa settimana
▲
1.6%
8,485° allora, 8,488° ora
Questo mese
▲
7.4%
8,476° allora, 8,488° ora
Ultimo anno
n/a
Non ancora rilasciato/tracciato
7,000°
Floor
La scala va da 0° a 9.999°. Tutto ciò che sta sotto 7,000° è riservato ai modelli su cui nessuna fonte ha ancora dati, che hanno un numero provvisorio lì per mantenere le liste complete. 7,000° è dove iniziano i dati misurati: un modello con dati reali ma quasi nessun download sta al floor, e le misurazioni riempiono i gradi sopra di esso. Il floor non dice nulla sul modello; solo i gradi sopra lo fanno, e sono quelli che distinguono un modello dall'altro.
+1,488°
Token OpenRouter
914,260,079,186 token processati da questo modello tramite OpenRouter negli ultimi 30 giorni, prompt e risposte insieme. Ogni 10,000,000 token conta come un download nel termine di download, 91,426 in totale; i token dell'ultimo giorno contribuiscono al tasso di adozione. Fonte: OpenRouter (openrouter.ai/rankings).
Mostra dettagli
Ogni numero su questo sito può essere verificato. Il punteggio heat di questo modello è 8,488°, ed è costruito un ingrediente alla volta, con il totale progressivo dopo ogni passaggio: il floor, i gradi che ogni fonte aggiunge, il bonus per il tipo di modello e cosa toglie l'età dei suoi pesi. I colori corrispondono alle bande del grafico sopra. Il glossario alla fine definisce ogni termine.
- 1Inizia dal floor.Perché 7,000° e non zero: la scala va da 0° a 9.999°, e la parte sotto 7,000° è riservata ai modelli su cui nessuna fonte ha ancora dati, che hanno un numero provvisorio lì per mantenere le liste complete e non superare mai un modello con dati. 7,000° è dove iniziano i dati misurati. Un modello con dati reali ma quasi nessun download sta qui; tutto ciò che segue è misurazione, e lo spazio sopra il floor contiene dieci passi decuplici nei download a 300° ciascuno. Il floor è uguale per ogni modello, quindi non decide nulla; lo fanno i gradi sopra di esso.7,000°totale in corso
- 2Aggiungi i download.91,426 equivalenti di download in totale, da Token OpenRouter. Dieci volte i download aggiungono lo stesso 300°, quindi la dimensione conta ma non domina mai il punteggio.+1,488°8,488°totale in corso
- =Il punteggio heat.Dove si posiziona questo modello in ogni lista di questo sito. Niente altro lo modifica.8,488°
Glossario: i termini usati qui
- Punteggio heat
- Un numero che indica quanto un modello è usato e desiderato ora, da 0° a 9.999°. Ogni lista su questo sito che dice più caldo è ordinata per questo e nient’altro.
- Soglia minima
- I 7.000° da cui parte ogni modello con dati reali. La scala va da 0° a 9.999°; la parte sotto la soglia è riservata ai sostituti (modelli senza dati), così un modello con dati è sempre sopra uno senza. La soglia è uguale per tutti e non decide nulla; i gradi sopra sono la misura.
- Equivalenti di download
- Tutto ciò che il punteggio considera come un download, sommato: i download stessi, ogni seeder torrent come 1.000, ogni immagine AI Horde e ogni esecuzione su un sito di generazione come uno.
- Scala logaritmica
- Conta a decine, non a unità: passare da 1.000 a 10.000 download aggiunge gli stessi gradi che passare da 10.000 a 100.000. Evita che i giganti schiaccino tutto il resto.
- Like
- Pollici in su e like da ogni fonte, valgono metà di un download sulla scala logaritmica.
- Tasso di adozione
- Quanti download al giorno riceve un modello ora, dalla differenza tra due rilevazioni di una fonte. Un quarto del peso del termine download.
- Misurato e stimato
- Misurato significa che ci sono due letture di una fonte e la differenza è reale. Stimato significa che si conosce solo il totale di oggi e il passato è distribuito sulla vita del modello; il sito indica quale viene mostrato.
- Seeder
- Qualcuno che mantiene una copia dei pesi online per farli scaricare agli altri tramite torrent, o uno specchio ospitato che fa lo stesso. Ognuno conta come 1.000 download.
- AI Horde
- Una rete di volontari che genera immagini gratis su computer donati. Il numero di immagini create con un modello è pubblico, e ognuna conta come un download.
- Siti di generazione
- Siti che ospitano copie di un modello e permettono di generare con esso, come PixAI, SeaArt e Yodayo. I loro download contano come quelli di Civitai e ogni generazione come un download.
- Token OpenRouter
- Un modello di testo servito tramite API, come Claude o GPT, non ha pesi da scaricare, quindi il suo utilizzo si misura in token: i pezzi di testo letti e scritti tramite OpenRouter, un gateway usato da molte app, negli ultimi 30 giorni. Ogni 10,000,000 token conta come un download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Modello completo (checkpoint)
- I pesi stessi, il file che genera da solo. Riceve un bonus perché da esso dipendono gli add-on.
- LoRA e embedding
- Piccoli file add-on che indirizzano i pesi di qualcun altro verso uno stile, un personaggio o un concetto. Non possono funzionare da soli.
- Famiglia e pesi
- La base su cui è costruito un modello, come SD 1.5, SDXL, Flux o Wan. Ogni modello eredita la data di rilascio dei pesi della sua famiglia.
- Età
- Gradi tolti in base a quanto tempo fa sono usciti i pesi della famiglia: 150° all'anno, fino a 750°. Mantiene i vecchi download che hanno avuto anni per accumularsi congelando la cima della lista.
- Boost famiglia
- Una piccola spinta limitata per le LoRA di una famiglia che questo sito sta promuovendo ora, sempre elencata nel dettaglio.
- Punteggio stand-in
- Un numero stabile sotto il minimo dato a un modello su cui nessuna fonte ha ancora dati, così le liste restano complete. Non supera mai un modello con dati.
- Novità! (periodo di grazia)
- Un modello più giovane di 7 giorni mostra Novità! invece di un punteggio e non ha posizione nelle classifiche. Il suo punteggio è calcolato dal primo giorno, ma un modello di un giorno cresce più velocemente di qualsiasi altro, quindi senza l'attesa il #1 della settimana sarebbe sempre quello uscito ieri invece di quello che ha resistito per una settimana.
- Tendenza
- Come la crescita di un modello in un periodo si confronta con la crescita tipica di un modello nello stesso periodo. Più veloce del tipico si legge come aumento, più lento come calo.
- Modello tipico
- Il centro del catalogo: metà dei modelli con un valore è cresciuta più velocemente nel periodo, metà più lentamente.
Come si è mosso questo modello rispetto al resto del catalogo: la sua crescita in download, like e utilizzo in ogni periodo, misurata rispetto alla crescita tipica dei modelli nello stesso periodo, con il suo punteggio di popolarità al momento. Sopra la crescita tipica indica un aumento, sotto una diminuzione. Il passato è ricostruito dai totali di oggi, dal primo giorno del modello e dalla sua velocità di download misurata quando ci sono due letture; un modello che non esisteva all'inizio del periodo mostra n/a.
DeepSeek V3.2 è un modello di testo per la famiglia Text / LLM presente su ModelTrends.ai, un catalogo in sola lettura di modelli di IA open source per immagini, video e testo. Confrontalo con gli altri modelli Text / LLM e controlla il punteggio di calore per vedere la tendenza.
Altri modelli Text / LLMAltri Testo / LLM Text / LLMllmdeepseekragionamentoagentimatematicaprogrammazionelocale
Sfoglia per famiglia di modelli
Modelli Text / LLM
434
Modelli Anima
528
Modelli Chroma
19
Modelli Fibo
2
Modelli Flux
1,496
Modelli Flux 2 / Klein
1,239
Modelli Flux 3
3
Modelli Moss
3
Modelli Iris
1
Modelli MiniMax H3
364
Modelli Hunyuan
204
Modelli Ideogram
20
Modelli Krea2
717
Modelli Qwen
20
Modelli Qwen2
47
Modelli Ltx2
153