Czy wagi są otwarte i czy mogę uruchomić model lokalnie?

Tak, wagi są na Hugging Face pod deepseek-ai/DeepSeek-V3.2-Exp. DeepSeek udostępnia kod demonstracyjny oraz obrazy Docker do SGLang na sprzęcie H200, MI350 i NPU, ale przy 671 miliardach parametrów potrzebujesz znacznej mocy multi-GPU.

Ile to kosztuje i jak duże jest okno kontekstowe?

Przez API kosztuje 0,27 USD za milion tokenów wejściowych i 0,41 USD za milion tokenów wyjściowych, z oknem kontekstowym 163 840 tokenów.

Czym V3.2 Exp różni się od V3.1?

Główną nowością jest DeepSeek Sparse Attention, zmiana architektury mająca na celu efektywność na długim kontekście, a nie wzrost dokładności; wyniki benchmarków są na poziomie V3.1, więc to wydanie skupione na infrastrukturze, a nie na nowych możliwościach.

DeepSeek V3.2 Exp

2803°

#llm #deepseek #rozumowanie #kodowanie #agenci #długi kontekst

Uruchom model

Oferty / Reklamy

OpenRouter Terminal / API

Płać za token

Rozmawiaj z tym modelem w przeglądarce lub wywołuj go z kodu za pomocą jednego klucza API.

DeepSeek | 163,840 tokenów kontekstu | $0.27/M wejście, $0.41/M wyjście. DeepSeek-V3.2-Exp to eksperymentalny duży model językowy wydany przez DeepSeek jako etap pośredni między V3.1 a przyszłymi architekturami. Wprowadza DeepSeek Sparse Attention (DSA), drobnoziarnisty mechanizm rzadkiej uwagi zaprojektowany w celu poprawy efektywności treningu i inferencji w scenariuszach z długim kontekstem, przy zachowaniu jakości wyjścia. Użytkownicy mogą kontrolować zachowanie rozumowania za pomocą boolean reasoning enabled. Więcej informacji w naszej dokumentacjiOpens in new tab Model był trenowany w…DeepSeek | 163,840 tokenów kontekstu | $0.27/M wejście, $0.41/M wyjście. DeepSeek-V3.2-Exp to eksperymentalny duży model językowy wydany przez DeepSeek jako etap pośredni między V3.1 a przyszłymi architekturami. Wprowadza DeepSeek Sparse Attention (DSA), drobnoziarnisty mechanizm rzadkiej uwagi zaprojektowany w celu poprawy efektywności treningu i inferencji w scenariuszach z długim kontekstem, przy zachowaniu jakości wyjścia. Użytkownicy mogą kontrolować zachowanie rozumowania za pomocą boolean reasoning enabled. Więcej informacji w naszej dokumentacjiOpens in new tab Model był trenowany w warunkach zgodnych z V3.1-Terminus, aby umożliwić bezpośrednie porównanie. Benchmarki pokazują wydajność mniej więcej na poziomie V3.1 w zadaniach rozumowania, kodowania i użycia narzędzi agentowych, z drobnymi kompromisami i zyskami w zależności od dziedziny. To wydanie skupia się na walidacji optymalizacji architektonicznych dla wydłużonych długości kontekstu, a nie na poprawie surowej dokładności zadań, co czyni go głównie modelem badawczym do eksploracji efektywnych projektów transformatorów.

Poradniki do tego modelu

Najlepsze lokalne LLM według zastosowania (październik 2026): odpowiedni otwarty model do każdego zadania

Ile VRAM naprawdę potrzebuję do lokalnej AI?

Co to jest plik GGUF? Wyjaśnienie modeli kwantyzowanych (Q4, Q8, fp8, NF4)

Wszystkie poradniki

Notatki kapitana

Napisane przez Captain, redaktora domu

Notatki z 2026-10-13

DeepSeek V3.2 Exp to eksperymentalna wersja od DeepSeek, plasująca się między V3.1 a kolejnymi wydaniami, stworzona głównie do weryfikacji nowego mechanizmu uwagi rzadkiej o nazwie DeepSeek Sparse Attention (DSA). Wydajność jest mniej więcej na poziomie V3.1 w zadaniach rozumowania, kodowania i agentowych. Model nadaje się dla badaczy i deweloperów chcących testować efektywne wnioskowanie na długim kontekście lub po prostu potrzebujących zdolnego modelu klasy frontowej przy niskim koszcie tokena.

Znany z

DeepSeek Sparse Attention (DSA) poprawia efektywność treningu i wnioskowania na długim kontekście.
Wydajność porównywalna z V3.1 w benchmarkach rozumowania, kodowania i agentowych.
Tryb rozumowania do przełączania zachowania myślenia.
Otwarte wagi dostępne na Hugging Face; działa przez SGLang lub vLLM.
Koszt wyjścia poniżej 0,50 USD za milion tokenów, znacznie niższy niż większość modeli klasy frontowej.

Uważaj na

To eksperymentalne wydanie do weryfikacji architektury, a nie ogólna poprawa możliwości względem V3.1.
Uruchomienie lokalne wymaga poważnego sprzętu multi-GPU; model 671B nie jest przeznaczony na laptopa.
Błąd implementacji RoPE wpłynął na wcześniejszy kod wnioskowania; używaj zaktualizowanej wersji z repozytorium.

Najlepszy do

Rozumowanie

Kodowanie

Agenci i użycie narzędzi

Długi kontekst

Działa lokalnie

Podpowiedzi do wypróbowania

Problem programistyczny konkursowy

Rozwiąż ten problem programistyczny i wyjaśnij podejście krok po kroku. Dane jest n-elementowe n-tablicowe, znajdź długość najdłuższego podciągu, którego suma jest podzielna przez k. Ograniczenia: n do 100 000, k do 1 000, wartości między -10^9 a 10^9. Podaj działający kod w Pythonie i przeanalizuj złożoność czasową.

Wieloetapowy plan agenta

Planujesz zautomatyzowany potok badawczy. Użytkownik chce codziennie monitorować 20 kanałów RSS akademickich, usuwać duplikaty artykułów po podobieństwie tytułów, oceniać każdy artykuł pod kątem 'uwagi rzadkiej w transformerach' i wysyłać e-mail z rankingiem. Opisz krok po kroku wywołania narzędzi i logikę decyzyjną agenta, w tym obsługę błędów.

Trudna łamigłówka logiczna

Pięciu inżynierów ma różne modele AI, pije różne napoje i pracuje w różnych miastach. Użyj wskazówek, aby ustalić, kto posiada model z uwagą rzadką: inżynier w Berlinie pije espresso; użytkownik vLLM siedzi bezpośrednio na lewo od pijącego espresso; inżynier pijący zieloną herbatę ma model MoE; inżynier w Tokio nie pije wody; właściciel modelu z uwagą rzadką pije kawę. Pokaż pełny tok rozumowania.

Porównaj z

DeepSeek V4.1 Flash
Model z otwartymi wagami
Kontekst 1,048,576 tokenów · $0.04/M wejście, $0.68/M wyjście
DeepSeek V4 Flash 0731
Model z otwartymi wagami
Kontekst 1,048,576 tokenów · $0.01/M wejście, $1.28/M wyjście
DeepSeek V4 Flash 0423
Model z otwartymi wagami
Kontekst 1,048,576 tokenów · $0.09/M wejście, $0.18/M wyjście
DeepSeek V4 Pro 0813
Model z otwartymi wagami
Kontekst 1,048,576 tokenów · $1.32/M wejście, $3.96/M wyjście

Więcej modeli tekstowych od deepseek

Pytania, które ludzie zadają

Czy wagi są otwarte i czy mogę uruchomić model lokalnie?: Tak, wagi są na Hugging Face pod deepseek-ai/DeepSeek-V3.2-Exp. DeepSeek udostępnia kod demonstracyjny oraz obrazy Docker do SGLang na sprzęcie H200, MI350 i NPU, ale przy 671 miliardach parametrów potrzebujesz znacznej mocy multi-GPU.
Ile to kosztuje i jak duże jest okno kontekstowe?: Przez API kosztuje 0,27 USD za milion tokenów wejściowych i 0,41 USD za milion tokenów wyjściowych, z oknem kontekstowym 163 840 tokenów.
Czym V3.2 Exp różni się od V3.1?: Główną nowością jest DeepSeek Sparse Attention, zmiana architektury mająca na celu efektywność na długim kontekście, a nie wzrost dokładności; wyniki benchmarków są na poziomie V3.1, więc to wydanie skupione na infrastrukturze, a nie na nowych możliwościach.

Wyrok kapitana
Badawcze środowisko testowe architektury, które jednocześnie działa na poziomie frontowym i kosztuje niemal nic przy zapytaniach.

Karta modelu na Hugging Face

Kapitan pisze te notatki na podstawie opisu modelu i karty modelu. Ceny i rozmiary kontekstu pochodzą od dostawcy w momencie pisania i mogą się zmieniać.

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

Jak ten wynik się sumuje

Ten model nie ma jeszcze danych o popularności z żadnego źródła, więc ma zastępczą wartość poniżej 7,000°, która pozwala utrzymać kompletność list. Nigdy nie zajmuje wyższej pozycji niż model z danymi. Szczegóły pojawią się tutaj, gdy tylko jakieś źródło je zgłosi.

Słowniczek: używane tu terminy

Wynik heat: Jedna liczba pokazująca, jak bardzo model jest używany i pożądany teraz, od 0° do 9,999°. Każda lista na tej stronie z napisem hottest jest sortowana według tego i niczego innego.
Podstawa: 7,000° to punkt startowy dla każdego modelu z prawdziwymi danymi. Skala idzie od 0° do 9,999°; część poniżej podstawy jest zarezerwowana dla zastępczych modeli (bez danych), żeby model z danymi zawsze był wyżej. Podstawa jest taka sama dla wszystkich i nic nie decyduje; stopnie powyżej niej to właściwy pomiar.
Równoważniki pobrań: Wszystko, co wynik traktuje jak pobranie, zsumowane: same pobrania, każdy seeder torrenta jako 1,000, każde AI Horde zdjęcie i każde uruchomienie na stronie generującej jako jedno.
Skala logarytmiczna: Liczenie co dziesięć, nie co jeden: przejście z 1,000 do 10,000 pobrań dodaje tyle samo stopni, co z 10,000 do 100,000. Zapobiega to dominacji gigantów nad resztą.
Polubienia: Kciuki w górę i polubienia ze wszystkich źródeł, warte połowę pobrania na skali logarytmicznej.
Tempo adopcji: Ile pobrań dziennie model ma teraz, na podstawie różnicy między dwoma odczytami źródła. Ćwierć wagi terminu pobrania.
Zmierzony i szacowany: Zmierzony oznacza, że istnieją dwa odczyty źródła i różnica jest rzeczywista. Szacowany oznacza, że znana jest tylko dzisiejsza suma, a przeszłość jest rozłożona na czas życia modelu; strona mówi, który z nich pokazuje.
Seeder: Ktoś, kto trzyma kopię wag online, aby inni mogli je pobrać przez torrent, albo hostowany mirror robiący to samo. Każdy taki liczy się jako 1 000 pobrań.
AI Horde: Sieć wolontariuszy, która generuje obrazy za darmo na komputerach darczyńców. Liczba obrazów wygenerowanych z modelem jest publiczna i każde liczy się jako jedno pobranie.
Strony generujące: Strony, które mają własne kopie modelu i pozwalają ludziom generować z nim obrazy, takie jak PixAI, SeaArt i Yodayo. Ich pobrania liczą się jak na Civitai, a każde uruchomienie generowania to jedno pobranie.
Tokeny OpenRouter: Model tekstowy obsługiwany przez API, taki jak Claude czy GPT, nie ma wag do pobrania, więc jego użycie mierzy się tokenami: fragmentami tekstu, które przeczytał i napisał przez OpenRouter, bramkę używaną przez wiele aplikacji, w ciągu ostatnich 30 dni. Każde 10,000,000 tokenów liczy się jako jedno pobranie. Źródło: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Pełny model (checkpoint): Same wagi, plik, który generuje samodzielnie. Dostaje bonus, bo dodatki od niego zależą.
LoRA i embedding: Małe pliki dodatków, które kierują czyjeś wagi w stronę stylu, postaci lub koncepcji. Nie mogą działać samodzielnie.
Rodzina i wagi: Podstawa, na której zbudowano model, np. SD 1.5, SDXL, Flux lub Wan. Każdy model dziedziczy datę wydania wag swojej rodziny.
Wiek: Stopnie odejmowane za to, jak dawno wyszły wagi rodziny: 150° za rok, do 750°. Zachowuje stare pobrania, które miały lata na narastanie, zamrażając szczyt listy.
Wzmocnienie rodziny: Małe, ograniczone wsparcie dla LoRA z rodziny, którą ta strona teraz promuje, zawsze podane w rozbiciu.
Wynik zastępczy: Stabilna liczba poniżej minimum, przyznawana modelowi, o którym jeszcze nie ma danych źródłowych, żeby listy były kompletne. Nigdy nie jest wyżej niż model z danymi.
Nowy! (okres karencji): Model młodszy niż 7 dni pokazuje Nowy! zamiast wyniku i nie zajmuje miejsca w rankingu. Jego wynik jest liczony od pierwszego dnia, ale model jednodniowy rośnie najszybciej, więc bez oczekiwania #1 tygodnia byłby zawsze tym, który pojawił się wczoraj, a nie tym, który utrzymał się przez tydzień.
Trend: Jak wzrost modelu w danym okresie wypada na tle typowego wzrostu modelu w tym samym czasie. Szybszy niż zwykle to wzrost, wolniejszy to spadek.
Typowy model: Środek katalogu: połowa modeli z danymi rosła szybciej w tym okresie, połowa wolniej.

Podobne modele

Modele AI do generowania obrazów, wideo i tekstu

DeepSeek V3.2 Exp to model tekstowy z rodziny Text / LLM wymieniony na ModelTrends.ai, katalogu tylko do odczytu otwartych modeli AI do obrazów, wideo i tekstu. Porównaj go z innymi modelami Text / LLM i sprawdź wynik popularności, aby zobaczyć trend.

Więcej modeli Text / LLM Więcej Text / LLM Tekst / LLM llm deepseek rozumowanie kodowanie agenci długi kontekst lokalny

Przeglądaj według rodziny modeli