Sunt greutățile deschise și pot rula local?

Da, greutățile sunt pe Hugging Face la deepseek-ai/DeepSeek-V3.2-Exp. DeepSeek oferă cod demo pentru inferență plus imagini Docker pentru SGLang pe hardware H200, MI350 și NPU, dar la 671B parametri vei avea nevoie de capacitate multi-GPU substanțială.

Cât costă și cât de mare este contextul?

Prin API costă 0,27 USD pe milion de tokeni de intrare și 0,41 USD pe milion de tokeni de ieșire, cu o fereastră de context de 163.840 tokeni.

Cum diferă V3.2 Exp de V3.1?

Adăugarea principală este DeepSeek Sparse Attention, o schimbare arhitecturală menită să eficientizeze contextul lung, nu să crească acuratețea brută; scorurile benchmark sunt aproximativ egale cu V3.1, deci este o versiune axată pe infrastructură, nu un salt de capacitate.

DeepSeek V3.2 Exp

2803°

#llm #deepseek #raționament #programare #agenți #context lung

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 | 0,27$/M input, 0,41$/M output. DeepSeek-V3.2-Exp este un model lingvistic mare experimental lansat de DeepSeek ca pas intermediar între V3.1 și arhitecturile viitoare. Introduce DeepSeek Sparse Attention (DSA), un mecanism de atenție rară detaliată conceput pentru a îmbunătăți eficiența antrenării și inferenței în scenarii cu context lung, menținând calitatea ieșirii. Utilizatorii pot controla comportamentul de raționament cu booleanul reasoning enabled. Aflați mai multe în documentația noastrăOpens in new tab Modelul a fost antrenat în condiții aliniate…DeepSeek | context de 163.840 tokeni | 0,27$/M input, 0,41$/M output. DeepSeek-V3.2-Exp este un model lingvistic mare experimental lansat de DeepSeek ca pas intermediar între V3.1 și arhitecturile viitoare. Introduce DeepSeek Sparse Attention (DSA), un mecanism de atenție rară detaliată conceput pentru a îmbunătăți eficiența antrenării și inferenței în scenarii cu context lung, menținând calitatea ieșirii. Utilizatorii pot controla comportamentul de raționament cu booleanul reasoning enabled. Aflați mai multe în documentația noastrăOpens in new tab Modelul a fost antrenat în condiții aliniate cu V3.1-Terminus pentru a permite comparații directe. Benchmark-urile arată performanțe aproximativ egale cu V3.1 în sarcini de raționament, programare și utilizare agentică a uneltelor, cu compromisuri și câștiguri minore în funcție de domeniu. Această versiune se concentrează pe validarea optimizărilor arhitecturale pentru lungimi extinse de context, mai degrabă decât pe avansarea acurateței brute a sarcinilor, fiind în principal un model orientat spre cercetare pentru explorarea designurilor eficiente de transformatoare.

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 Exp este o versiune experimentală de la DeepSeek care se situează între V3.1 și ce urmează, construită în principal pentru a valida un nou mecanism de atenție rară numit DeepSeek Sparse Attention (DSA). Performanța este aproximativ egală cu V3.1 în sarcini de raționament, programare și agentice. Se potrivește cercetătorilor și dezvoltatorilor care vor să testeze inferența eficientă pe context lung sau care pur și simplu vor un model capabil de frontieră la un preț scăzut pe token.

Cunoscut pentru

DeepSeek Sparse Attention (DSA) îmbunătățește eficiența antrenării și inferenței pe context lung.
Performanța se potrivește cu V3.1 pe benchmark-uri de raționament, programare și agentice.
Mod de raționament comutabil care oferă control asupra comportamentului de gândire.
Greutăți deschise disponibile pe Hugging Face; rulează prin SGLang sau vLLM.
Preț de ieșire sub 0,50 USD/M îl plasează mult sub majoritatea rivalilor de frontieră.

Atenție la

Aceasta este o versiune experimentală de validare arhitecturală, nu o îmbunătățire generală a capacității față de V3.1.
Rularea locală necesită hardware multi-GPU serios; scara de 671B nu este pentru laptop.
Un bug în implementarea RoPE a afectat codul anterior de inferență; folosește versiunea actualizată din repo.

Cel mai bun pentru

Raționament

Programare

Agenți și utilizare unelte

Context lung

Rulează local

Sugestii de încercat

Problemă de programare competitivă

Rezolvă această problemă de programare competitivă și explică-ți abordarea pas cu pas. Dat un tablou cu n întregi, găsește lungimea celui mai lung subtablou în care suma elementelor este divizibilă cu k. Constrângeri: n până la 100.000, k până la 1.000, valori între -10^9 și 10^9. Oferă cod Python funcțional și analizează complexitatea temporală.

Plan agent în mai mulți pași

Planifici un flux de cercetare automatizat. Un utilizator vrea să monitorizeze zilnic 20 de feeduri RSS academice, să deduplice lucrările după similaritatea titlului, să evalueze fiecare lucrare pentru relevanța la 'atenția rară în transformere' și să trimită un digest clasat prin email. Schițează apelurile de unelte și logica decizională necesare unui agent, pas cu pas, inclusiv gestionarea erorilor.

Puzzle logic dificil

Cinci ingineri dețin fiecare un model AI diferit, beau o băutură diferită și lucrează într-un oraș diferit. Folosește aceste indicii pentru a determina cine deține modelul cu atenție rară: inginerul din Berlin bea espresso; utilizatorul vLLM este imediat la stânga celui care bea espresso; inginerul care bea ceai verde deține modelul MoE; inginerul din Tokyo nu bea apă; proprietarul modelului cu atenție rară bea cafea. Arată-ți lanțul complet de raționament.

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 local?: Da, greutățile sunt pe Hugging Face la deepseek-ai/DeepSeek-V3.2-Exp. DeepSeek oferă cod demo pentru inferență plus imagini Docker pentru SGLang pe hardware H200, MI350 și NPU, dar la 671B parametri vei avea nevoie de capacitate multi-GPU substanțială.
Cât costă și cât de mare este contextul?: Prin API costă 0,27 USD pe milion de tokeni de intrare și 0,41 USD pe milion de tokeni de ieșire, cu o fereastră de context de 163.840 tokeni.
Cum diferă V3.2 Exp de V3.1?: Adăugarea principală este DeepSeek Sparse Attention, o schimbare arhitecturală menită să eficientizeze contextul lung, nu să crească acuratețea brută; scorurile benchmark sunt aproximativ egale cu V3.1, deci este o versiune axată pe infrastructură, nu un salt de capacitate.

Verdictul căpitanului
Un laborator de testare arhitecturală de nivel cercetare care performează la nivel de frontieră și costă aproape nimic la interogare.

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

Not this creator?

Get your own badge

Cum se adună acest scor

Acest model nu are încă date de popularitate de la nicio sursă, așa că are un număr provizoriu sub 7,000° care menține listele complete. Nu va fi niciodată clasat mai sus decât un model cu date. Descompunerea apare aici imediat ce o sursă o raportează.

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.

Modele similare

Modele AI pentru generare de imagini, video și text

DeepSeek V3.2 Exp 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 programare agenți context lung local

Răsfoiește după familia de modele