DeepSeek V3.2 Exp
2803°
Executar modelo
Ofertas / Anúncios
DeepSeek | contexto de 163.840 tokens | $0,27/M entrada, $0,41/M saída. DeepSeek-V3.2-Exp é um modelo de linguagem grande experimental lançado pela DeepSeek como um passo intermediário entre o V3.1 e arquiteturas futuras. Introduz o DeepSeek Sparse Attention (DSA), um mecanismo de atenção esparsa de granularidade fina projetado para melhorar a eficiência de treinamento e inferência em cenários de contexto longo, mantendo a qualidade da saída. Os usuários podem controlar o comportamento de raciocínio com o booleano reasoning enabled. Saiba mais em nossos docsOpens in new tab O modelo foi…DeepSeek | contexto de 163.840 tokens | $0,27/M entrada, $0,41/M saída. DeepSeek-V3.2-Exp é um modelo de linguagem grande experimental lançado pela DeepSeek como um passo intermediário entre o V3.1 e arquiteturas futuras. Introduz o DeepSeek Sparse Attention (DSA), um mecanismo de atenção esparsa de granularidade fina projetado para melhorar a eficiência de treinamento e inferência em cenários de contexto longo, mantendo a qualidade da saída. Os usuários podem controlar o comportamento de raciocínio com o booleano reasoning enabled. Saiba mais em nossos docsOpens in new tab O modelo foi treinado sob condições alinhadas com o V3.1-Terminus para permitir comparação direta. Os benchmarks mostram desempenho aproximadamente equivalente ao V3.1 em tarefas de raciocínio, codificação e uso de ferramentas agentivas, com pequenas compensações e ganhos dependendo do domínio. Este lançamento foca em validar otimizações arquiteturais para contextos estendidos em vez de avançar a precisão bruta das tarefas, sendo principalmente um modelo orientado à pesquisa para explorar designs eficientes de transformers.
Guias para este modelo
Melhor LLM local por caso de uso (outubro de 2026): o modelo aberto certo para cada tarefa
De quanto VRAM eu realmente preciso para IA local?
O que é um arquivo GGUF? Modelos quantizados explicados (Q4, Q8, fp8, NF4)
Notas do capitão
Notas de 2026-10-13
DeepSeek V3.2 Exp é uma versão experimental da DeepSeek que fica entre a V3.1 e o que vier a seguir, construída principalmente para validar um novo mecanismo de atenção esparsa chamado DeepSeek Sparse Attention (DSA). O desempenho fica aproximadamente no mesmo nível da V3.1 em raciocínio, codificação e tarefas agentivas. É ideal para pesquisadores e desenvolvedores que querem testar inferência eficiente de longo contexto ou que simplesmente desejam um modelo de ponta capaz a um preço baixo por token.
Conhecido por
- DeepSeek Sparse Attention (DSA) melhora a eficiência de treinamento e inferência em longo contexto.
- Desempenho iguala o da V3.1 em benchmarks de raciocínio, codificação e agentes.
- Modo de raciocínio alternável dá controle sobre o comportamento de pensamento.
- Pesos abertos disponíveis no Hugging Face; roda via SGLang ou vLLM.
- Preço de saída abaixo de $0,50 por milhão o coloca bem abaixo da maioria dos rivais de ponta.
Fique atento a
- Esta é uma versão experimental para validação arquitetural, não uma melhoria geral de capacidade sobre a V3.1.
- Rodar localmente requer hardware multi-GPU robusto; a escala de 671B não é para laptops.
- Um bug na implementação RoPE afetou código de inferência anterior; use a versão atualizada do repositório.
Sugestões para tentar
Problema de codificação competitiva
Resolva este problema de programação competitiva e explique sua abordagem passo a passo. Dado um array de n inteiros, encontre o comprimento do maior subarray cuja soma dos elementos seja divisível por k. Restrições: n até 100.000, k até 1.000, valores entre -10^9 e 10^9. Forneça código Python funcional e analise a complexidade de tempo.
Plano de agente em múltiplas etapas
Você está planejando um pipeline automatizado de pesquisa. Um usuário quer monitorar um conjunto de 20 feeds RSS acadêmicos diariamente, deduplicar artigos por similaridade de título, pontuar cada artigo para relevância a 'atenção esparsa em transformers' e enviar um resumo ranqueado por e-mail. Esboce as chamadas de ferramentas e a lógica de decisão que um agente precisaria, passo a passo, incluindo tratamento de erros.
Enigma de raciocínio difícil
Cinco engenheiros possuem cada um um modelo de IA diferente, bebem uma bebida diferente e trabalham em uma cidade diferente. Use estas pistas para determinar quem possui o modelo de atenção esparsa: o engenheiro em Berlim bebe espresso; o usuário do vLLM está imediatamente à esquerda do bebedor de espresso; o engenheiro que bebe chá verde possui o modelo MoE; o engenheiro em Tóquio não bebe água; o dono do modelo de atenção esparsa bebe café. Mostre toda sua cadeia de raciocínio.
Comparar com
- DeepSeek V4.1 FlashModelo com pesos abertosContexto de 1,048,576 tokens · entrada $0.04/M, saída $0.68/M
- DeepSeek V4 Flash 0731Modelo com pesos abertosContexto de 1,048,576 tokens · entrada $0.01/M, saída $1.28/M
- DeepSeek V4 Flash 0423Modelo com pesos abertosContexto de 1,048,576 tokens · entrada $0.09/M, saída $0.18/M
- DeepSeek V4 Pro 0813Modelo com pesos abertosContexto de 1,048,576 tokens · entrada $1.32/M, saída $3.96/M
Mais modelos de texto de deepseek
Perguntas frequentes
- Os pesos são abertos e posso rodar localmente?
- Sim, os pesos estão no Hugging Face em deepseek-ai/DeepSeek-V3.2-Exp. A DeepSeek fornece código demo de inferência e imagens Docker para SGLang em hardware H200, MI350 e NPU, mas com 671B parâmetros você precisará de capacidade multi-GPU substancial.
- Quanto custa e qual o tamanho da janela de contexto?
- Via API custa $0,27 por milhão de tokens de entrada e $0,41 por milhão de tokens de saída, com uma janela de contexto de 163.840 tokens.
- Como a V3.2 Exp difere da V3.1?
- A principal adição é o DeepSeek Sparse Attention, uma mudança arquitetural focada em eficiência para longo contexto, não em ganhos brutos de precisão; as pontuações de benchmark ficam aproximadamente no mesmo nível da V3.1, então esta é uma versão focada em infraestrutura, não um salto de capacidade.
Veredito do capitãoUm ambiente de testes arquitetural de nível de pesquisa que por acaso performa no nível de ponta e custa quase nada para consultar.
Ficha do modelo no Hugging Face
O capitão escreve estas notas com base na descrição e ficha do modelo. Preços e tamanhos de contexto são do provedor na data da escrita e podem mudar.
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.
Como essa pontuação é calculada
Este modelo ainda não tem dados de popularidade de nenhuma fonte, então ele carrega um número provisório abaixo de 7,000° para manter as listas completas. Ele nunca fica acima de um modelo com dados. A divisão aparece aqui assim que uma fonte reporta.
Glossário: os termos usados aqui
- Pontuação heat
- Um número que mostra o quanto um modelo está sendo usado e desejado agora, de 0° a 9.999°. Toda lista neste site que diz mais quente é ordenada por ele e só por ele.
- Limite mínimo
- Os 7.000° que todo modelo com dados reais começa. A escala vai de 0° a 9.999°; a parte abaixo do limite é para substitutos (modelos sem dados), para que um modelo com dados sempre fique acima de um sem. O limite é igual para todos e não decide nada; os graus acima dele são a medida.
- Equivalentes a downloads
- Tudo que a pontuação trata como download, somado: downloads em si, cada torrent seeder como 1.000, cada imagem AI Horde e cada execução em site de geração como um.
- Escala logarítmica
- Contando de dez em dez, não de um em um: ir de 1.000 para 10.000 downloads adiciona os mesmos graus que ir de 10.000 para 100.000. Isso evita que gigantes abafem tudo.
- Likes
- Joinhas e likes de todas as fontes, valendo metade de um download na escala logarítmica.
- Taxa de adoção
- Quantos downloads por dia um modelo recebe agora, pela diferença entre duas leituras de uma fonte. Um quarto do peso do termo download.
- Medido e estimado
- Medido significa que existem duas leituras de uma fonte e a diferença é real. Estimado significa que só se sabe o total de hoje e o passado é distribuído ao longo da vida do modelo; o site indica qual está mostrando.
- Seeder
- Alguém que mantém uma cópia dos pesos online para outros baixarem via torrent, ou um espelho hospedado fazendo o mesmo. Cada um conta como 1.000 downloads.
- AI Horde
- Uma rede voluntária que gera imagens de graça em computadores doados. O número de imagens feitas com um modelo é público, e cada uma conta como um download.
- Sites de geração
- Sites que hospedam suas próprias cópias de um modelo e deixam as pessoas gerarem com ele, como PixAI, SeaArt e Yodayo. Os downloads deles contam como os do Civitai e cada geração conta como um download.
- Tokens OpenRouter
- Um modelo de texto servido via API, como Claude ou GPT, não tem pesos para baixar, então seu uso é medido em tokens: os pedaços de texto que ele leu e escreveu via OpenRouter, um gateway usado por muitos apps, nos últimos 30 dias. Cada 10,000,000 tokens contam como um download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Modelo completo (checkpoint)
- Os pesos em si, o arquivo que gera sozinho. Ganha um bônus porque complementos dependem dele.
- LoRA e embedding
- Arquivos pequenos que direcionam os pesos de outra pessoa para um estilo, personagem ou conceito. Não podem rodar sozinhos.
- Família e pesos
- A base em que um modelo é construído, como SD 1.5, SDXL, Flux ou Wan. Todo modelo herda a data de lançamento dos pesos da sua família.
- Idade
- Pontos retirados conforme há quanto tempo os pesos da família foram lançados: 150° por ano, até 750°. Mantém os downloads antigos que tiveram anos para acumular, evitando que saiam do topo da lista.
- Impulso da família
- Um pequeno empurrão limitado para LoRAs de uma família que este site está promovendo agora, sempre listado na divisão.
- Pontuação provisória
- Um número estável abaixo do mínimo dado a um modelo que ainda não tem dados de fonte, para a lista ficar completa. Nunca fica acima de um modelo com dados.
- Novo! (período de carência)
- Um modelo com menos de 7 dias mostra Novo! em vez de uma pontuação e não ocupa lugar no ranking. Sua pontuação é calculada desde o primeiro dia, mas um modelo com um dia cresce mais rápido que qualquer outro, então sem a espera o #1 da semana seria sempre o que saiu ontem, não o que se manteve por uma semana.
- Tendência
- Como o crescimento de um modelo num período se compara com o crescimento típico dos modelos no mesmo período. Crescimento mais rápido que o típico indica alta, mais lento indica queda.
- Modelo típico
- O meio do catálogo: metade dos modelos com número cresceu mais rápido no período, metade mais devagar.
DeepSeek V3.2 Exp é um modelo de texto para a família Text / LLM listado no ModelTrends.ai, um catálogo somente leitura de modelos de IA de código aberto para imagem, vídeo e texto. Compare-o com outros modelos Text / LLM e veja a pontuação de calor para acompanhar a tendência.
Mais modelos Text / LLMMais Texto / LLM Text / LLMllmdeepseekraciocínioprogramaçãoagentescontexto longolocal
Navegar por família de modelos
Modelos Text / LLM
434
Modelos Anima
528
Modelos Chroma
19
Modelos Fibo
2
Modelos Flux
1,496
Modelos Flux 2 / Klein
1,239
Modelos Flux 3
3
Modelos Moss
3
Modelos Iris
1
Modelos MiniMax H3
364
Modelos Hunyuan
204
Modelos Ideogram
20
Modelos Krea2
717
Modelos Qwen
20
Modelos Qwen2
47
Modelos Ltx2
153