Sunt greutățile deschise și pot rula DeepSeek V3.2 local?

Da, greutățile sunt public disponibile pe Hugging Face sub deepseek-ai/DeepSeek-V3.2. Fii conștient că modelul este foarte mare, deci implementarea locală necesită hardware substanțial.

Cât costă DeepSeek V3.2 și care este fereastra de context?

Prin API este tarifat cu 0,26 USD pe milion de tokeni de intrare și 0,80 USD pe milion de tokeni de ieșire, cu o fereastră de context de 163.840 tokeni.

Cum diferă V3.2 de versiunile anterioare DeepSeek V3?

V3.2 adaugă DeepSeek Sparse Attention pentru inferență mai ieftină pe contexte lungi, un cadru scalat de RL post-antrenament, un nou pipeline agentic de sinteză a sarcinilor și un șablon de chat revizuit cu capacitatea de „gândire cu unelte” care nu era prezentă în versiunile anterioare.

▲

1.6%

săptămâna aceasta

DeepSeek V3.2

8488°

#llm #deepseek #raționament #agenți #matematică #programare

2026

Rulează modelul

Oferte / Reclame

OpenRouter Terminal / API

Plătește pe token

Conversează cu acest model în browser sau apelează-l din codul tău cu o singură cheie API.

DeepSeek | context de 163.840 tokeni | $0.26/M input, $0.80/M output. DeepSeek-V3.2 este un model lingvistic mare conceput să armonizeze eficiența computațională ridicată cu performanțe puternice de raționament și utilizare agentică a uneltelor. Introduce DeepSeek Sparse Attention (DSA), un mecanism de atenție rară fină care reduce costurile de antrenare și inferență păstrând calitatea în scenarii cu context lung. Un cadru scalabil de învățare prin întărire post-antrenare îmbunătățește suplimentar raționamentul, cu performanțe raportate în clasa GPT-5, iar modelul a demonstrat rezultate de…DeepSeek | context de 163.840 tokeni | $0.26/M input, $0.80/M output. DeepSeek-V3.2 este un model lingvistic mare conceput să armonizeze eficiența computațională ridicată cu performanțe puternice de raționament și utilizare agentică a uneltelor. Introduce DeepSeek Sparse Attention (DSA), un mecanism de atenție rară fină care reduce costurile de antrenare și inferență păstrând calitatea în scenarii cu context lung. Un cadru scalabil de învățare prin întărire post-antrenare îmbunătățește suplimentar raționamentul, cu performanțe raportate în clasa GPT-5, iar modelul a demonstrat rezultate de aur la IMO și IOI 2025. V3.2 folosește de asemenea un pipeline de sinteză a sarcinilor agentice la scară largă pentru a integra mai bine raționamentul în setările de utilizare a uneltelor, sporind conformitatea și generalizarea în medii interactive. Utilizatorii pot controla comportamentul de raționament cu booleanul reasoning enabled. Aflați mai multe în documentația noastrăOpens in new tab

Ghiduri pentru acest model

Cel mai bun LLM local după caz de utilizare (octombrie 2026): modelul open potrivit pentru fiecare job

De câțiva GB de VRAM am nevoie cu adevărat pentru AI local?

Ce este un fișier GGUF? Modele cuantificate explicate (Q4, Q8, fp8, NF4)

Toate ghidurile

Notele căpitanului

Scris de Captain, editorul casei

Note din 2026-10-13

DeepSeek V3.2 este un model mare cu greutăți deschise de la DeepSeek, construit în jurul a trei pariuri tehnice: un mecanism de atenție rară care reduce costurile de calcul pentru contexte lungi, un cadru scalat de învățare prin întărire post-antrenament și un pipeline agentic de sinteză a sarcinilor care integrează raționamentul în utilizarea uneltelor. Producătorul raportează performanțe în clasa GPT-5, cu rezultate de aur la competițiile IMO și IOI din 2025. La mai puțin de un dolar pe milion de tokeni de ieșire, este o opțiune serioasă dacă ai nevoie de raționament de frontieră fără facturi de frontieră.

Cunoscut pentru

Performanță de aur la competițiile de matematică și programare IMO și IOI din 2025.
DeepSeek Sparse Attention reduce costul inferenței păstrând calitatea pe contexte lungi.
Raționamentul poate fi activat sau dezactivat printr-un singur parametru boolean.
Utilizarea agentică a uneltelor îmbunătățită prin date sintetice de antrenament la scară largă.
Greutățile deschise sunt disponibile pe Hugging Face pentru implementare locală.

Atenție la

Nu există șablon de chat Jinja; trebuie să folosești scripturile personalizate Python ale producătorului, ceea ce adaugă fricțiune la integrare.
Rularea unui model de această scară local necesită hardware serios — verifică-ți VRAM-ul înainte de descărcare.
Varianta cu calcul ridicat DeepSeek-V3.2-Speciale este descrisă separat; versiunea standard V3.2 este cea accesibilă prin API aici.

Cel mai bun pentru

Raționament

Agenți și utilizare unelte

Matematică

Programare

Rulează local

Sugestii de încercat

Problemă dificilă de matematică pentru competiție

O secvență este definită prin a₁ = 1, a₂ = 1 și aₙ = aₙ₋₁ + aₙ₋₂ + n pentru n ≥ 3. Găsește o expresie în formă închisă sau o recurență pentru termenul general și demonstrează răspunsul tău. Arată fiecare pas al raționamentului tău.

Plan agentic multi-pas

Ai acces la un instrument de căutare web, un interpret Python și un instrument de scriere în fișiere. Un utilizator dorește un raport săptămânal despre primele cinci lansări open-source de LLM, salvat ca fișier markdown. Scrie planul complet de apelare a uneltelor: ce unelte folosești, în ce ordine, cu ce inputuri și cum gestionezi un rezultat de căutare eșuat.

Sarcină de programare competitivă

Dat fiind un tablou cu n întregi, găsește lungimea celei mai lungi subsecvențe în care suma elementelor este divizibilă cu k. Scrie o soluție în Python cu complexitate O(n), explică de ce funcționează și include două cazuri de test cu rezultatele așteptate.

Compară cu

DeepSeek V4.1 Flash
Model cu greutăți deschise
context de 1,048,576 tokeni · $0.04/M intrare, $0.68/M ieșire
DeepSeek V4 Flash 0731
Model cu greutăți deschise
context de 1,048,576 tokeni · $0.01/M intrare, $1.28/M ieșire
DeepSeek V4 Flash 0423
Model cu greutăți deschise
context de 1,048,576 tokeni · $0.09/M intrare, $0.18/M ieșire
DeepSeek V4 Pro 0813
Model cu greutăți deschise
context de 1,048,576 tokeni · $1.32/M intrare, $3.96/M ieșire

Mai multe modele text de la deepseek

Întrebări frecvente

Sunt greutățile deschise și pot rula DeepSeek V3.2 local?: Da, greutățile sunt public disponibile pe Hugging Face sub deepseek-ai/DeepSeek-V3.2. Fii conștient că modelul este foarte mare, deci implementarea locală necesită hardware substanțial.
Cât costă DeepSeek V3.2 și care este fereastra de context?: Prin API este tarifat cu 0,26 USD pe milion de tokeni de intrare și 0,80 USD pe milion de tokeni de ieșire, cu o fereastră de context de 163.840 tokeni.
Cum diferă V3.2 de versiunile anterioare DeepSeek V3?: V3.2 adaugă DeepSeek Sparse Attention pentru inferență mai ieftină pe contexte lungi, un cadru scalat de RL post-antrenament, un nou pipeline agentic de sinteză a sarcinilor și un șablon de chat revizuit cu capacitatea de „gândire cu unelte” care nu era prezentă în versiunile anterioare.

Verdictul căpitanului
O combinație rară de greutăți deschise, preț sub un dolar pentru ieșire și raționament autentic de clasă frontieră — costul integrării este real, dar merită.

Fișa modelului pe Hugging Face

Căpitanul scrie aceste note pe baza descrierii modelului și a fișei modelului. Prețurile și dimensiunile contextului sunt cele ale furnizorului la momentul scrierii și pot varia.

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

Tendința de popularitate a DeepSeek V3.2

Scor de căldură din 1 Dec 2025

Scor de popularitate

8,488°

Săptămâna aceasta

▲

1.6%

8,485° atunci, 8,488° acum

Luna aceasta

▲

7.4%

8,476° atunci, 8,488° acum

Ultimul an

n/a

Nu a fost lansat/urmărit

7,000°

Prag minim

Scara merge de la 0° la 9.999°. Tot ce este sub 7,000° este rezervat pentru modelele despre care nicio sursă nu raportează încă, care au un număr provizoriu acolo ca să rămână listele complete. 7,000° este punctul de start pentru datele măsurate: un model cu date reale, dar aproape fără descărcări, stă la prag, iar măsurătorile umplu gradele de deasupra. Pragul nu spune nimic despre model; doar gradele de deasupra îl diferențiază de alte modele.

+1,488°

Tokeni OpenRouter

914,260,079,186 tokeni procesați de acest model prin OpenRouter în ultimele 30 de zile, împreună cu prompturile și răspunsurile. Fiecare 10,000,000 tokeni contează ca un download în termenul de descărcări, 91,426 în total; tokenii ultimei zile se adaugă la rata de adoptare. Sursa: OpenRouter (openrouter.ai/rankings).

Arată detalii

Fiecare număr de pe acest site poate fi verificat. Scorul de popularitate al acestui model este 8,488°, iar aici este construit pas cu pas, cu totalul acumulat după fiecare ingredient: pragul minim, gradele adăugate de fiecare sursă, bonusul pentru tipul modelului și ce scade vârsta greutăților. Culorile sunt benzile din graficul de mai sus. Glosarul de la final definește fiecare termen.

1
Începe de la prag.
De ce 7,000° și nu zero: scara merge de la 0° la 9.999°, iar partea de sub 7,000° este rezervată modelelor despre care nicio sursă nu raportează încă, care au un număr provizoriu acolo ca să rămână listele complete și să nu depășească niciodată un model cu date. 7,000° este punctul de start pentru datele măsurate. Un model cu date reale, dar aproape fără descărcări, stă aici; tot ce urmează este măsurare, iar spațiul de deasupra pragului conține zece pași de zece ori mai multe descărcări, fiecare la 300°. Pragul este același pentru toate modelele, deci nu decide nimic; gradele de deasupra fac diferența.
7,000°
total curent
2
Adaugă descărcările.
91,426 echivalente de descărcări în total, de la Tokeni OpenRouter. De zece ori descărcările adaugă același 300°, deci mărimea contează, dar nu domină scorul.
+1,488°
8,488°
total curent
=
Scorul de căldură.
Unde se situează acest model pe fiecare listă de pe site. Nimic altceva nu îl ajustează.
8,488°

Glosar: termenii folosiți aici

Scor de căldură: Un număr care arată cât de mult este folosit și dorit un model acum, de la 0° la 9.999°. Fiecare listă de pe site care spune „cele mai călduroase” este sortată după acest scor și nimic altceva.
Prag: 7.000° este punctul de start pentru orice model cu date reale. Scara merge de la 0° la 9.999°; partea de sub prag este rezervată pentru înlocuitori (modele fără date), ca să fie sigur că un model cu date e mereu mai sus decât unul fără. Pragul e același pentru toți și nu decide nimic; gradele de deasupra lui sunt măsurătoarea.
Echivalente descărcări: Tot ce scorul tratează ca o descărcare, adunat: descărcările în sine, fiecare seeder de torrent ca 1.000, fiecare imagine AI Horde și fiecare rulare pe un site de generare ca una.
Scară logaritmică: Se numără la zeci, nu la unități: trecerea de la 1.000 la 10.000 descărcări adaugă aceleași grade ca trecerea de la 10.000 la 100.000. Astfel, modelele mari nu acoperă tot ce e mic.
Aprecieri: Like-uri și aprecieri de oriunde, fiecare valorează jumătate dintr-o descărcare pe scara logaritmică.
Rata de adoptare: Câte descărcări pe zi primește un model acum, calculat din diferența dintre două citiri ale unei surse. Are un sfert din greutatea termenului de descărcare.
Măsurat și estimat: Măsurat înseamnă că există două citiri ale unei surse și diferența este reală. Estimat înseamnă că se știe doar totalul de azi, iar trecutul este împărțit pe durata vieții modelului; site-ul spune care dintre ele este afișat.
Seeder: Cineva care păstrează o copie a greutăților online pentru ca alții să le descarce prin torrent, sau o oglindă găzduită care face același lucru. Fiecare contează ca 1.000 de descărcări.
AI Horde: O rețea de voluntari care generează imagini gratuit pe calculatoare donate. Numărul de imagini create cu un model este public și fiecare contează ca o descărcare.
Site-uri de generare: Site-uri care găzduiesc propriile copii ale unui model și permit oamenilor să genereze cu el, cum ar fi PixAI, SeaArt și Yodayo. Descărcările lor contează ca cele de pe Civitai, iar fiecare rulare de generare ca o descărcare.
Tokeni OpenRouter: Un model de text servit printr-un API, cum ar fi Claude sau GPT, nu are greutăți de descărcat, deci utilizarea sa se măsoară în tokeni: bucățile de text citite și scrise prin OpenRouter, un gateway folosit de multe aplicații, în ultimele 30 de zile. Fiecare 10,000,000 tokeni contează ca un download. Sursa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model complet (checkpoint): Greutățile în sine, fișierul care generează singur. Primește un bonus pentru că depind de el add-on-urile.
LoRA și embedding: Fișiere mici add-on care direcționează greutățile altcuiva spre un stil, un personaj sau un concept. Nu pot rula singure.
Familie și greutăți: Baza pe care este construit un model, cum ar fi SD 1.5, SDXL, Flux sau Wan. Fiecare model moștenește data lansării greutăților familiei sale.
Vârstă: Grade scăzute în funcție de cât timp a trecut de când au apărut greutățile familiei: 150° pe an, până la 750°. Păstrează descărcările vechi care au avut ani să se acumuleze, blocând topul listei.
Boost de familie: Un mic impuls limitat pentru LoRA-urile unei familii pe care site-ul o promovează acum, întotdeauna listat în detaliu.
Scor de rezervă: Un număr stabil sub prag, dat unui model despre care nicio sursă nu raportează încă, ca listele să rămână complete. Nu se clasează niciodată peste un model cu date.
Nou! (perioadă de grație): Un model mai nou de 7 zile afișează Nou! în loc de scor și nu ocupă loc în clasamente. Scorul său este calculat de la prima zi, dar un model de o zi crește mai rapid decât orice altceva, deci fără această așteptare, modelul #1 al săptămânii ar fi întotdeauna cel apărut ieri, nu cel care a rezistat o săptămână.
Tendință: Cum se compară creșterea unui model într-o perioadă cu creșterea tipică a unui model în aceeași perioadă. Mai rapid decât tipicul înseamnă creștere, mai lent scădere.
Model tipic: Mijlocul catalogului: jumătate dintre modele cu o cifră au crescut mai repede în perioada respectivă, jumătate mai încet.

Cum s-a schimbat popularitatea acestui model față de restul catalogului: creșterea lui în descărcări, aprecieri și utilizare în fiecare perioadă, comparată cu creșterea tipică a unui model în aceeași perioadă, plus scorul său de căldură la momentul respectiv. Dacă e peste creșterea tipică, înseamnă că a crescut, dacă e sub, a scăzut. Istoricul se reconstruiește din totalurile de azi, prima zi a modelului și viteza lui de descărcare măsurată când sunt două citiri; un model care nu exista la începutul perioadei arată n/a.

Modele similare

Modele AI pentru generare de imagini, video și text

DeepSeek V3.2 este un model de text pentru familia Text / LLM, listat pe ModelTrends.ai, un catalog doar pentru citire al modelelor AI open source pentru imagini, video și text. Compară-l cu alte modele Text / LLM și verifică-i scorul de căldură pentru a vedea cât este de popular.

Mai multe modele Text / LLM llm deepseek raționament agenți matematică programare local

Răsfoiește după familia de modele