I pesi sono aperti e posso eseguirlo localmente?

Sì, i pesi sono su Hugging Face in deepseek-ai/DeepSeek-V3.2-Exp. DeepSeek fornisce codice demo per inferenza più immagini Docker per SGLang su hardware H200, MI350 e NPU, ma a 671B parametri serve una capacità multi-GPU sostanziale.

Quanto costa e qual è la finestra di contesto?

Tramite API costa $0,27 per milione di token in input e $0,41 per milione di token in output, con una finestra di contesto da 163.840 token.

In cosa differisce V3.2 Exp da V3.1?

L’aggiunta principale è DeepSeek Sparse Attention, un cambiamento architetturale mirato all’efficienza su contesti lunghi più che a miglioramenti di accuratezza; i punteggi benchmark sono all’incirca pari a V3.1, quindi questa è una release focalizzata sull’infrastruttura, non un salto di capacità.

DeepSeek V3.2 Exp

2803°

#llm #deepseek #ragionamento #programmazione #agenti #contesto lungo

Esegui questo modello

Offerte / Annunci

OpenRouter Terminale / API

Paga per token

Chatta con questo modello nel browser o chiamalo dal tuo codice con una chiave API.

DeepSeek | contesto da 163.840 token | $0.27/M input, $0.41/M output. DeepSeek-V3.2-Exp è un modello linguistico di grandi dimensioni sperimentale rilasciato da DeepSeek come passo intermedio tra V3.1 e architetture future. Introduce DeepSeek Sparse Attention (DSA), un meccanismo di attenzione sparsa a grana fine progettato per migliorare l'efficienza di addestramento e inferenza in scenari con contesti lunghi mantenendo la qualità dell'output. Gli utenti possono controllare il comportamento di ragionamento con il booleano reasoning enabled. Per saperne di più consulta la nostra…DeepSeek | contesto da 163.840 token | $0.27/M input, $0.41/M output. DeepSeek-V3.2-Exp è un modello linguistico di grandi dimensioni sperimentale rilasciato da DeepSeek come passo intermedio tra V3.1 e architetture future. Introduce DeepSeek Sparse Attention (DSA), un meccanismo di attenzione sparsa a grana fine progettato per migliorare l'efficienza di addestramento e inferenza in scenari con contesti lunghi mantenendo la qualità dell'output. Gli utenti possono controllare il comportamento di ragionamento con il booleano reasoning enabled. Per saperne di più consulta la nostra documentazioneOpens in new tab. Il modello è stato addestrato in condizioni allineate a V3.1-Terminus per consentire un confronto diretto. I benchmark mostrano prestazioni all'incirca equivalenti a V3.1 in compiti di ragionamento, coding e uso agentico di strumenti, con piccoli compromessi e guadagni a seconda del dominio. Questa versione si concentra sulla validazione di ottimizzazioni architetturali per lunghezze di contesto estese piuttosto che sul miglioramento della precisione pura, rendendolo principalmente un modello orientato alla ricerca per esplorare design efficienti di transformer.

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)

Tutte le guide

Note del capitano

Scritto da Captain, l'editor di casa

Note del 2026-10-13

DeepSeek V3.2 Exp è una release sperimentale di DeepSeek che si colloca tra V3.1 e qualunque cosa venga dopo, costruita principalmente per validare un nuovo meccanismo di attenzione sparsa chiamato DeepSeek Sparse Attention (DSA). Le prestazioni sono all’incirca pari a V3.1 su ragionamento, coding e compiti agentici. È adatto a ricercatori e sviluppatori che vogliono testare inferenza efficiente a lungo contesto, o che semplicemente desiderano un modello di frontiera capace a basso costo per token.

Conosciuto per

DeepSeek Sparse Attention (DSA) migliora l’efficienza di training e inferenza su contesti lunghi.
Prestazioni paragonabili a V3.1 su benchmark di ragionamento, coding e agentici.
Modalità ragionamento attivabile per controllare il comportamento cognitivo.
Pesi aperti disponibili su Hugging Face; esecuzione tramite SGLang o vLLM.
Prezzo output sotto $0,50/M lo colloca ben sotto la maggior parte dei rivali di frontiera.

Attenzione a

Questa è una release sperimentale di validazione architetturale, non un upgrade generale di capacità rispetto a V3.1.
L’esecuzione locale richiede hardware multi-GPU serio; la scala 671B non è per laptop.
Un bug nell’implementazione RoPE ha influenzato il codice di inferenza precedente; usa la versione aggiornata dal repository.

Ideale per

Ragionamento

Programmazione

Agenti e uso di strumenti

Contesto lungo

Funziona localmente

Prompt da provare

Problema di coding competitivo

Risolvi questo problema di programmazione competitiva e spiega il tuo approccio passo passo. Dato un array di n interi, trova la lunghezza della sottosequenza più lunga in cui la somma degli elementi è divisibile per k. Vincoli: n fino a 100.000, k fino a 1.000, valori tra -10^9 e 10^9. Fornisci codice Python funzionante e analizza la complessità temporale.

Piano agente multi-step

Stai pianificando una pipeline di ricerca automatizzata. Un utente vuole monitorare quotidianamente 20 feed RSS accademici, deduplicare articoli per similarità del titolo, valutare ogni articolo per rilevanza su 'attenzione sparsa nei transformer' e inviare una digest classificata via email. Delinea le chiamate agli strumenti e la logica decisionale che un agente dovrebbe seguire, passo passo, includendo la gestione degli errori.

Puzzle di ragionamento difficile

Cinque ingegneri possiedono ciascuno un modello AI diverso, bevono una bevanda diversa e lavorano in una città diversa. Usa questi indizi per determinare chi possiede il modello con attenzione sparsa: l’ingegnere a Berlino beve espresso; l’utente vLLM è immediatamente a sinistra di chi beve espresso; l’ingegnere che beve tè verde possiede il modello MoE; l’ingegnere a Tokyo non beve acqua; il proprietario del modello con attenzione sparsa beve caffè. Mostra tutta la catena di ragionamento.

Confronta con

DeepSeek V4.1 Flash
Modello con pesi aperti
Contesto di 1,048,576 token · Input $0.04/M, output $0.68/M
DeepSeek V4 Flash 0731
Modello con pesi aperti
Contesto di 1,048,576 token · Input $0.01/M, output $1.28/M
DeepSeek V4 Flash 0423
Modello con pesi aperti
Contesto di 1,048,576 token · Input $0.09/M, output $0.18/M
DeepSeek V4 Pro 0813
Modello con pesi aperti
Contesto di 1,048,576 token · Input $1.32/M, output $3.96/M

Altri modelli di testo da deepseek

Domande frequenti

I pesi sono aperti e posso eseguirlo localmente?: Sì, i pesi sono su Hugging Face in deepseek-ai/DeepSeek-V3.2-Exp. DeepSeek fornisce codice demo per inferenza più immagini Docker per SGLang su hardware H200, MI350 e NPU, ma a 671B parametri serve una capacità multi-GPU sostanziale.
Quanto costa e qual è la finestra di contesto?: Tramite API costa $0,27 per milione di token in input e $0,41 per milione di token in output, con una finestra di contesto da 163.840 token.
In cosa differisce V3.2 Exp da V3.1?: L’aggiunta principale è DeepSeek Sparse Attention, un cambiamento architetturale mirato all’efficienza su contesti lunghi più che a miglioramenti di accuratezza; i punteggi benchmark sono all’incirca pari a V3.1, quindi questa è una release focalizzata sull’infrastruttura, non un salto di capacità.

Verdetto del capitano
Una piattaforma di test architetturale di livello ricerca che per caso performa a livello di frontiera e costa quasi nulla per interrogazione.

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.

Change colors / personalize / get code

Not this creator?

Get your own badge

Come si calcola questo punteggio

Questo modello non ha ancora dati di popolarità da nessuna fonte, quindi ha un numero provvisorio sotto 7,000° che mantiene le liste complete. Non supera mai un modello con dati. La suddivisione appare qui appena una fonte la segnala.

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.

Modelli simili

Modelli di IA per generare immagini, video e testo

DeepSeek V3.2 Exp 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 / LLM Altri Testo / LLM Text / LLM llm deepseek ragionamento programmazione agenti contesto lungo locale

Sfoglia per famiglia di modelli