DeepSeek V3.2 Exp
2803°
Ejecutar este modelo
Ofertas / Anuncios
DeepSeek | contexto de 163,840 tokens | $0.27/M entrada, $0.41/M salida. DeepSeek-V3.2-Exp es un modelo de lenguaje grande experimental lanzado por DeepSeek como un paso intermedio entre V3.1 y futuras arquitecturas. Introduce DeepSeek Sparse Attention (DSA), un mecanismo de atención dispersa de grano fino diseñado para mejorar la eficiencia de entrenamiento e inferencia en escenarios de contexto largo manteniendo la calidad de salida. Los usuarios pueden controlar el comportamiento de razonamiento con el booleano reasoning enabled. Aprende más en nuestra documentaciónOpens in new tab El…DeepSeek | contexto de 163,840 tokens | $0.27/M entrada, $0.41/M salida. DeepSeek-V3.2-Exp es un modelo de lenguaje grande experimental lanzado por DeepSeek como un paso intermedio entre V3.1 y futuras arquitecturas. Introduce DeepSeek Sparse Attention (DSA), un mecanismo de atención dispersa de grano fino diseñado para mejorar la eficiencia de entrenamiento e inferencia en escenarios de contexto largo manteniendo la calidad de salida. Los usuarios pueden controlar el comportamiento de razonamiento con el booleano reasoning enabled. Aprende más en nuestra documentaciónOpens in new tab El modelo fue entrenado bajo condiciones alineadas con V3.1-Terminus para permitir comparaciones directas. Los benchmarks muestran un rendimiento aproximadamente igual a V3.1 en tareas de razonamiento, codificación y uso de herramientas agenticas, con pequeñas compensaciones y ganancias según el dominio. Esta versión se centra en validar optimizaciones arquitectónicas para contextos extendidos más que en avanzar la precisión bruta en tareas, siendo principalmente un modelo orientado a la investigación para explorar diseños eficientes de transformadores.
Guías para este modelo
Mejor LLM local según el uso (octubre 2026): el modelo abierto adecuado para cada tarea
¿Cuánta VRAM necesito realmente para IA local?
¿Qué es un archivo GGUF? Modelos cuantizados explicados (Q4, Q8, fp8, NF4)
Notas del capitán
Notas del 2026-10-13
DeepSeek V3.2 Exp es un lanzamiento experimental de DeepSeek que se sitúa entre V3.1 y lo que venga después, construido principalmente para validar un nuevo mecanismo de atención dispersa llamado DeepSeek Sparse Attention (DSA). Su rendimiento es aproximadamente igual al de V3.1 en razonamiento, codificación y tareas agente. Es adecuado para investigadores y desarrolladores que quieran probar inferencia eficiente en contexto largo o que simplemente busquen un modelo capaz de clase frontera a bajo precio por token.
Conocido por
- DeepSeek Sparse Attention (DSA) mejora la eficiencia de entrenamiento e inferencia en contexto largo.
- Rendimiento igual a V3.1 en benchmarks de razonamiento, codificación y agente.
- Modo de razonamiento activable que te da control sobre el comportamiento de pensamiento.
- Pesos abiertos disponibles en Hugging Face; se ejecuta vía SGLang o vLLM.
- Precio de salida por debajo de $0.50 por millón de tokens, muy inferior a la mayoría de rivales de frontera.
Cuidado con
- Esta es una versión experimental para validar arquitectura, no una mejora general de capacidad sobre V3.1.
- Ejecutarlo localmente requiere hardware multi-GPU serio; la escala de 671B no es para laptops.
- Un error en la implementación de RoPE afectó código de inferencia anterior; usa la versión actualizada del repositorio.
Prompts para probar
Problema de codificación competitiva
Resuelve este problema de programación competitiva y explica tu enfoque paso a paso. Dado un arreglo de n enteros, encuentra la longitud del subarreglo más largo donde la suma de elementos sea divisible por k. Restricciones: n hasta 100,000, k hasta 1,000, valores entre -10^9 y 10^9. Proporciona código Python funcional y analiza la complejidad temporal.
Plan agente de múltiples pasos
Estás planificando un pipeline de investigación automatizado. Un usuario quiere monitorear 20 feeds académicos RSS diariamente, eliminar duplicados por similitud de título, puntuar cada artículo por relevancia a 'atención dispersa en transformers' y enviar un resumen clasificado por correo. Describe las llamadas a herramientas y la lógica de decisión que un agente necesitaría, paso a paso, incluyendo manejo de errores.
Rompecabezas de razonamiento difícil
Cinco ingenieros poseen cada uno un modelo de IA diferente, beben una bebida distinta y trabajan en ciudades diferentes. Usa estas pistas para determinar quién posee el modelo de atención dispersa: el ingeniero en Berlín bebe espresso; el usuario de vLLM está inmediatamente a la izquierda del que bebe espresso; el ingeniero que bebe té verde posee el modelo MoE; el ingeniero en Tokio no bebe agua; el dueño del modelo de atención dispersa bebe café. Muestra toda tu cadena de razonamiento.
Comparar con
- DeepSeek V4.1 FlashModelo con pesos abiertosContexto de 1,048,576 tokens · $0.04/M entrada, $0.68/M salida
- DeepSeek V4 Flash 0731Modelo con pesos abiertosContexto de 1,048,576 tokens · $0.01/M entrada, $1.28/M salida
- DeepSeek V4 Flash 0423Modelo con pesos abiertosContexto de 1,048,576 tokens · $0.09/M entrada, $0.18/M salida
- DeepSeek V4 Pro 0813Modelo con pesos abiertosContexto de 1,048,576 tokens · $1.32/M entrada, $3.96/M salida
Más modelos de texto de deepseek
Preguntas frecuentes
- ¿Los pesos son abiertos y puedo ejecutarlo localmente?
- Sí, los pesos están en Hugging Face en deepseek-ai/DeepSeek-V3.2-Exp. DeepSeek proporciona código demo de inferencia y imágenes Docker para SGLang en hardware H200, MI350 y NPU, pero con 671B parámetros necesitarás capacidad multi-GPU sustancial.
- ¿Cuánto cuesta y cuál es la ventana de contexto?
- Vía API cuesta $0.27 por millón de tokens de entrada y $0.41 por millón de tokens de salida, con una ventana de contexto de 163,840 tokens.
- ¿En qué se diferencia V3.2 Exp de V3.1?
- La principal adición es DeepSeek Sparse Attention, un cambio arquitectónico orientado a la eficiencia en contexto largo más que a mejoras de precisión; las puntuaciones en benchmarks son similares a V3.1, por lo que es un lanzamiento enfocado en infraestructura, no en capacidad.
Veredicto del capitánUn banco de pruebas arquitectónico de nivel investigador que rinde a nivel frontera y cuesta casi nada por consulta.
Ficha del modelo en Hugging Face
El capitán escribe estas notas a partir de la descripción y ficha del modelo. Los precios y tamaños de contexto son los del proveedor al momento de escribir y pueden cambiar.
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.
Cómo se suma esta puntuación
Este modelo aún no tiene datos de popularidad de ninguna fuente, así que lleva un número provisional por debajo de 7,000° que mantiene las listas completas. Nunca se posiciona por encima de un modelo con datos. El desglose aparece aquí tan pronto como una fuente lo reporte.
Glosario: los términos usados aquí
- Puntuación heat
- Un número que muestra cuánto se usa y quiere un modelo ahora mismo, de 0° a 9,999°. Cada lista en este sitio que dice más popular está ordenada por esto y nada más.
- Piso
- Los 7,000° con los que empieza todo modelo con datos reales. La escala va de 0° a 9,999°; la parte bajo el piso está reservada para sustitutos (modelos sin datos), para que un modelo con datos siempre esté por encima de uno sin. El piso es igual para todos y no decide nada; los grados sobre él son la medida.
- Equivalentes a descargas
- Todo lo que la puntuación trata como una descarga, sumado: las descargas mismas, cada seeder de torrent como 1,000, cada imagen de AI Horde y cada ejecución en un sitio de generación como uno.
- Escala logarítmica
- Cuenta de a decenas, no de a uno: pasar de 1,000 a 10,000 descargas suma los mismos grados que pasar de 10,000 a 100,000. Evita que los gigantes opaquen todo lo demás.
- Likes
- Pulgares arriba y likes de todas las fuentes, valen la mitad de una descarga cada uno en la escala logarítmica.
- Tasa de adopción
- Cuántas descargas al día recibe un modelo ahora mismo, según la diferencia entre dos lecturas de una fuente. Un cuarto del peso del término de descarga.
- Medido y estimado
- Medido significa que hay dos lecturas de una fuente y la diferencia es real. Estimado significa que solo se conoce el total de hoy y el pasado se distribuye a lo largo de la vida del modelo; el sitio indica cuál está mostrando.
- Seeder
- Alguien que mantiene una copia de los pesos en línea para que otros la descarguen por torrent, o un espejo alojado que hace lo mismo. Cada uno cuenta como 1,000 descargas.
- AI Horde
- Una red de voluntarios que genera imágenes gratis en computadoras donadas. El número de imágenes que ha hecho con un modelo es público, y cada una cuenta como una descarga.
- Sitios de generación
- Sitios que alojan sus propias copias de un modelo y permiten que la gente genere con él, como PixAI, SeaArt y Yodayo. Sus descargas cuentan igual que las de Civitai y cada generación cuenta como una descarga.
- Tokens de OpenRouter
- Un modelo de texto servido mediante una API, como Claude o GPT, no tiene pesos para descargar, por lo que su uso se mide en tokens: fragmentos de texto que leyó y escribió a través de OpenRouter, una puerta de acceso que usan muchas apps, durante los últimos 30 días. Cada 10,000,000 tokens cuentan como una descarga. Fuente: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Modelo completo (checkpoint)
- Los pesos en sí, el archivo que genera por sí solo. Tiene un bono porque los complementos dependen de él.
- LoRA y embedding
- Archivos pequeños que dirigen los pesos de otro hacia un estilo, personaje o concepto. No pueden funcionar solos.
- Familia y pesos
- La base sobre la que se construye un modelo, como SD 1.5, SDXL, Flux o Wan. Cada modelo hereda la fecha de lanzamiento de los pesos de su familia.
- Antigüedad
- Grados descontados según hace cuánto salieron los pesos de la familia: 150° por año, hasta 750°. Mantiene las descargas antiguas que tuvieron años para acumularse congelando la cima de la lista.
- Impulso de familia
- Un pequeño empujón limitado para LoRAs de una familia que este sitio está promoviendo ahora, siempre listado en el desglose.
- Puntaje provisional
- Un número estable por debajo del mínimo dado a un modelo que aún no tiene reportes de fuentes, para que las listas estén completas. Nunca se posiciona por encima de un modelo con datos.
- ¡Nuevo! (periodo de gracia)
- Un modelo con menos de 7 días muestra ¡Nuevo! en lugar de una puntuación y no ocupa lugar en los rankings. Su puntuación se calcula desde el primer día, pero un modelo de un día crece más rápido que cualquier otro, así que sin este periodo el #1 de la semana siempre sería el que salió ayer en vez del que se mantuvo una semana.
- Tendencia
- Cómo el crecimiento de un modelo en un período se compara con el crecimiento típico de modelos en ese mismo período. Más rápido que lo típico se lee como subida, más lento como bajada.
- Modelo típico
- El punto medio del catálogo: la mitad de los modelos con cifras crecieron más rápido en el período, la otra mitad más lento.
DeepSeek V3.2 Exp es un modelo de texto para la familia Text / LLM listado en ModelTrends.ai, un catálogo de solo lectura de modelos de IA de imagen, vídeo y texto de código abierto. Compáralo con otros modelos Text / LLM y consulta su puntuación de calor para ver su tendencia.
Más modelos Text / LLMMás Texto / LLM de Text / LLMllmdeepseekrazonamientoprogramaciónagentescontexto largolocal
Explorar por familia 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