Открыты ли веса и можно ли запускать локально?

Да, веса доступны на Hugging Face по адресу deepseek-ai/DeepSeek-V3.2-Exp. DeepSeek предоставляет демонстрационный код для вывода и Docker-образы для SGLang на оборудовании H200, MI350 и NPU, но для модели с 671 млрд параметров потребуется серьёзный многогпу-кластер.

Сколько стоит и каков размер контекста?

Через API цена $0.27 за миллион входных токенов и $0.41 за миллион выходных, окно контекста — 163 840 токенов.

Чем V3.2 Exp отличается от V3.1?

Главное новшество — DeepSeek Sparse Attention, архитектурное изменение для повышения эффективности работы с длинным контекстом, а не для улучшения точности; результаты по бенчмаркам примерно равны V3.1, это инфраструктурный релиз, а не скачок возможностей.

DeepSeek V3.2 Exp

2803°

#llm #deepseek #логика #программирование #агенты #длинный контекст

Запустить модель

Предложения / Реклама

OpenRouter Терминал / API

Плата за токен

Общайся с этой моделью в браузере или вызывай её из кода с одним API-ключом.

DeepSeek | 163,840 токенов контекста | $0.27/М вход, $0.41/М выход. DeepSeek-V3.2-Exp — экспериментальная крупная языковая модель, выпущенная DeepSeek как промежуточный этап между V3.1 и будущими архитектурами. В ней внедрен DeepSeek Sparse Attention (DSA) — тонконастроенный механизм разреженного внимания, предназначенный для повышения эффективности обучения и вывода при работе с длинным контекстом без потери качества результата. Пользователи могут управлять поведением рассуждений с помощью булевого параметра reasoning enabled. Подробнее в нашей документацииОткрывается в новой вкладке Модель…DeepSeek | 163,840 токенов контекста | $0.27/М вход, $0.41/М выход. DeepSeek-V3.2-Exp — экспериментальная крупная языковая модель, выпущенная DeepSeek как промежуточный этап между V3.1 и будущими архитектурами. В ней внедрен DeepSeek Sparse Attention (DSA) — тонконастроенный механизм разреженного внимания, предназначенный для повышения эффективности обучения и вывода при работе с длинным контекстом без потери качества результата. Пользователи могут управлять поведением рассуждений с помощью булевого параметра reasoning enabled. Подробнее в нашей документацииОткрывается в новой вкладке Модель обучалась в условиях, согласованных с V3.1-Terminus, для прямого сравнения. Бенчмарки показывают примерно сопоставимую производительность с V3.1 по задачам рассуждений, кодирования и использования инструментов агентами, с незначительными компромиссами и улучшениями в зависимости от области. Этот релиз ориентирован на проверку архитектурных оптимизаций для увеличения длины контекста, а не на повышение точности по задачам, поэтому в первую очередь это исследовательская модель для изучения эффективных трансформерных решений.

Руководства по этой модели

Лучшие локальные LLM по задачам (октябрь 2026): подходящая открытая модель для каждой работы

Сколько VRAM мне действительно нужно для локального ИИ?

Что такое файл GGUF? Объяснение квантизированных моделей (Q4, Q8, fp8, NF4)

Все руководства

Заметки капитана

Написано Captain, главным редактором

Заметки от 2026-10-13

DeepSeek V3.2 Exp — экспериментальный релиз от DeepSeek, промежуточный между V3.1 и следующими версиями, созданный в первую очередь для проверки нового механизма разреженного внимания DeepSeek Sparse Attention (DSA). Производительность примерно на уровне V3.1 по задачам рассуждений, программирования и агентских сценариев. Подходит исследователям и разработчикам, желающим протестировать эффективный вывод с длинным контекстом или просто получить мощную модель с низкой ценой за токен.

Известен

DeepSeek Sparse Attention (DSA) улучшает эффективность обучения и вывода с длинным контекстом.
Производительность соответствует V3.1 по бенчмаркам рассуждений, программирования и агентов.
Переключаемый режим рассуждений даёт контроль над поведением мышления.
Открытые веса доступны на Hugging Face; работает через SGLang или vLLM.
Цена вывода менее $0.50 за миллион токенов — значительно дешевле большинства моделей передового уровня.

Остерегайтесь

Это экспериментальный релиз для проверки архитектуры, а не общее улучшение возможностей по сравнению с V3.1.
Для локального запуска требуется серьёзное многогпу-оборудование; модель с 671 млрд параметров не подходит для ноутбуков.
В раннем коде вывода была ошибка в реализации RoPE; используйте обновлённую версию из репозитория.

Лучше всего подходит для

Логика

Программирование

Агенты и использование инструментов

Длинный контекст

Работает локально

Подсказки для проб

Задача соревновательного программирования

Решите эту задачу из соревновательного программирования и объясните подход пошагово. Дано: массив из n целых чисел, найдите длину максимального подмассива, сумма элементов которого делится на k. Ограничения: n до 100 000, k до 1000, значения от -10^9 до 10^9. Предоставьте рабочий код на Python и проанализируйте временную сложность.

Многошаговый план агента

Вы планируете автоматизированный исследовательский пайплайн. Пользователь хочет ежедневно мониторить 20 академических RSS-лент, удалять дубликаты по схожести заголовков, оценивать релевантность каждой статьи по теме «разреженное внимание в трансформерах» и отправлять ранжированный дайджест по электронной почте. Опишите шаг за шагом вызовы инструментов и логику решений агента, включая обработку ошибок.

Сложная логическая задача

Пять инженеров владеют разными AI-моделями, пьют разные напитки и работают в разных городах. Используйте подсказки, чтобы определить, кто владеет моделью с разреженным вниманием: инженер в Берлине пьёт эспрессо; пользователь vLLM сидит сразу слева от эспрессо-пьющего; инженер, пьющий зелёный чай, владеет MoE-моделью; инженер в Токио не пьёт воду; владелец модели с разреженным вниманием пьёт кофе. Покажите полный ход рассуждений.

Сравнить с

DeepSeek V4.1 Flash
Модель с открытыми весами
контекст из 1,048,576 токенов · $0.04/M вход, $0.68/M выход
DeepSeek V4 Flash 0731
Модель с открытыми весами
контекст из 1,048,576 токенов · $0.01/M вход, $1.28/M выход
DeepSeek V4 Flash 0423
Модель с открытыми весами
контекст из 1,048,576 токенов · $0.09/M вход, $0.18/M выход
DeepSeek V4 Pro 0813
Модель с открытыми весами
контекст из 1,048,576 токенов · $1.32/M вход, $3.96/M выход

Больше текстовых моделей от deepseek

Часто задаваемые вопросы

Открыты ли веса и можно ли запускать локально?: Да, веса доступны на Hugging Face по адресу deepseek-ai/DeepSeek-V3.2-Exp. DeepSeek предоставляет демонстрационный код для вывода и Docker-образы для SGLang на оборудовании H200, MI350 и NPU, но для модели с 671 млрд параметров потребуется серьёзный многогпу-кластер.
Сколько стоит и каков размер контекста?: Через API цена $0.27 за миллион входных токенов и $0.41 за миллион выходных, окно контекста — 163 840 токенов.
Чем V3.2 Exp отличается от V3.1?: Главное новшество — DeepSeek Sparse Attention, архитектурное изменение для повышения эффективности работы с длинным контекстом, а не для улучшения точности; результаты по бенчмаркам примерно равны V3.1, это инфраструктурный релиз, а не скачок возможностей.

Вердикт капитана
Исследовательская платформа для архитектурных экспериментов, которая при этом работает на уровне передовых моделей и стоит почти ничего.

Карточка модели на Hugging Face

Капитан пишет эти заметки на основе описания модели и карточки модели. Цены и размеры контекста указаны на момент написания и могут измениться.

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

Как складывается этот рейтинг

У этой модели пока нет данных о популярности ни из одного источника, поэтому ей присвоено временное число ниже 7,000°, чтобы списки оставались полными. Она никогда не будет выше модели с реальными данными. Разбор появится здесь, как только источник предоставит данные.

Глоссарий: используемые здесь термины

Показатель heat: Одно число, показывающее, насколько модель сейчас используется и востребована, от 0° до 9,999°. Все списки на сайте с пометкой hottest сортируются именно по нему.
Минимум: 7,000° — стартовая точка для каждой модели с реальными данными. Шкала от 0° до 9,999°; часть ниже минимума отведена для моделей без данных, чтобы модели с данными всегда были выше. Минимум одинаков для всех и ничего не решает; градусы выше него — это измерение.
Эквиваленты загрузок: Всё, что считается как загрузка в оценке, сложенное вместе: сами загрузки, каждый сид торрента считается за 1,000, каждое изображение AI Horde и каждый запуск на сайте генерации считаются за один.
Логарифмическая шкала: Счёт по десяткам, а не по единицам: переход от 1,000 к 10,000 загрузок добавляет столько же градусов, сколько от 10,000 к 100,000. Это не даёт гигантам заглушать всё остальное.
Лайки: Одобрения и лайки со всех источников, каждый стоит половину загрузки на логарифмической шкале.
Темп внедрения: Сколько загрузок в день получает модель сейчас, по разнице между двумя замерами источника. Четверть веса от термина загрузки.
Измерено и оценено: Измерено значит, что есть два показания источника, и разница реальна. Оценено значит, что известна только сегодняшняя сумма, а прошлое распределено по жизни модели; сайт показывает, что именно отображается.
Сидер: Кто-то, кто хранит копию весов онлайн, чтобы другие могли скачать через торрент, или размещённое зеркало, делающие то же самое. Каждый такой считается за 1000 загрузок.
AI Horde: Волонтёрская сеть, которая бесплатно генерирует изображения на пожертвованных компьютерах. Количество изображений, созданных с моделью, публично, и каждое считается за одну загрузку.
Сайты генерации: Сайты, которые хранят свои копии модели и позволяют людям генерировать с ней, например PixAI, SeaArt и Yodayo. Их загрузки считаются как у Civitai, и каждый запуск генерации — за одну загрузку.
Токены OpenRouter: Текстовая модель, обслуживаемая через API, такая как Claude или GPT, не имеет весов для скачивания, поэтому её использование измеряется токенами: кусочками текста, которые она прочитала и написала через OpenRouter, шлюз, который используют многие приложения, за последние 30 дней. Каждые 10,000,000 токенов считаются за одно скачивание. Источник: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Полная модель (чекпоинт): Сами веса, файл, который генерирует самостоятельно. Получает бонус, потому что от него зависят дополнения.
LoRA и эмбеддинг: Небольшие файлы-дополнения, которые направляют чужие веса в сторону стиля, персонажа или концепции. Они не могут работать сами по себе.
Семейство и веса: База, на которой построена модель, например SD 1.5, SDXL, Flux или Wan. Каждая модель наследует дату выпуска весов своего семейства.
Возраст: Градусы снимаются за то, как давно вышли веса семейства: 150° в год, максимум 750°. Старые загрузки, которые успели накопиться за годы, остаются вверху списка.
Буст семейства: Небольшой ограниченный толчок для LoRA из семейства, которое этот сайт сейчас продвигает, всегда указан в разбивке.
Оценка-замена: Стабильное число ниже минимального, даваемое модели, о которой ещё нет данных, чтобы списки были полными. Никогда не выше модели с данными.
Новинка! (период ожидания): Модель младше 7 дней показывает Новинка! вместо оценки и не занимает место в рейтинге. Её оценка вычисляется с первого дня, но модель в один день растёт быстрее всего, поэтому без ожидания #1 недели всегда была бы модель, вышедшая вчера, а не та, что держалась неделю.
Тренд: Как рост модели за период сравнивается с типичным ростом модели за тот же период. Быстрее типичного — рост, медленнее — падение.
Типичная модель: Средина каталога: половина моделей с цифрой росли быстрее за период, половина медленнее.

Похожие модели

ИИ-модели для генерации изображений, видео и текста

DeepSeek V3.2 Exp — это текстовая модель для семейства Text / LLM, представленная на ModelTrends.ai, каталоге открытых ИИ-моделей для изображений, видео и текста, доступном только для чтения. Сравните её с другими моделями Text / LLM и посмотрите индекс популярности, чтобы оценить тренд.

Другие модели Text / LLM Другие Текст / LLM Text / LLM llm deepseek логика программирование агенты длинный контекст локально

Обзор по семействам моделей