Är vikterna öppna och kan jag köra DeepSeek V3.2 lokalt?

Ja, vikterna är offentligt tillgängliga på Hugging Face under deepseek-ai/DeepSeek-V3.2. Var medveten om att modellen är mycket stor, så lokal distribution kräver betydande hårdvara.

Vad kostar DeepSeek V3.2 och hur stort är kontextfönstret?

Via API kostar det $0.26 per miljon inmatningstoken och $0.80 per miljon utgångstoken, med ett kontextfönster på 163 840 token.

Hur skiljer sig V3.2 från tidigare DeepSeek V3-versioner?

V3.2 lägger till DeepSeek Sparse Attention för billigare inferens med långa kontexter, en skalad RL-efterträningsram, en ny agentisk uppgiftssyntespipeline och en reviderad chattmall med en 'tänkande med verktyg'-funktion som inte fanns i tidigare versioner.

▲

1.6%

den här veckan

DeepSeek V3.2

8488°

#llm #deepseek #resonemang #agenter #matematik #kodning

2026

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

DeepSeek | 163 840 tokens kontext | $0.26/M indata, $0.80/M utdata. DeepSeek-V3.2 är en stor språkmodell designad för att harmonisera hög beräkningseffektivitet med stark resonemangs- och agentverktygsanvändningsprestanda. Den introducerar DeepSeek Sparse Attention (DSA), en finfördelad sparsam uppmärksamhetsmekanism som minskar tränings- och inferenskostnader samtidigt som kvaliteten bevaras i långkontextscenarier. En skalbar förstärkningsinlärningsram efter träning förbättrar ytterligare resonemanget, med rapporterad prestanda i GPT-5-klassen, och modellen har visat guldmedaljresultat på…DeepSeek | 163 840 tokens kontext | $0.26/M indata, $0.80/M utdata. DeepSeek-V3.2 är en stor språkmodell designad för att harmonisera hög beräkningseffektivitet med stark resonemangs- och agentverktygsanvändningsprestanda. Den introducerar DeepSeek Sparse Attention (DSA), en finfördelad sparsam uppmärksamhetsmekanism som minskar tränings- och inferenskostnader samtidigt som kvaliteten bevaras i långkontextscenarier. En skalbar förstärkningsinlärningsram efter träning förbättrar ytterligare resonemanget, med rapporterad prestanda i GPT-5-klassen, och modellen har visat guldmedaljresultat på IMO och IOI 2025. V3.2 använder också en storskalig agentuppgiftssyntespipeline för att bättre integrera resonemang i verktygsanvändningsmiljöer, vilket ökar följsamhet och generalisering i interaktiva miljöer. Användare kan styra resonemangsbeteendet med reasoning enabled boolean. Läs mer i vår dokumentation.

Guider för denna modell

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

DeepSeek V3.2 är en stor modell med öppna vikter från DeepSeek, byggd kring tre tekniska satsningar: en gles uppmärksamhetsmekanism som minskar beräkningskostnader för långa kontexter, en skalad förstärkningsinlärningsram för efterträning och en agentisk uppgiftssyntespipeline som integrerar resonemang i verktygsanvändning. Tillverkaren rapporterar prestanda i GPT-5-klassen, med guldmedaljresultat på IMO och IOI 2025. Med en kostnad under en dollar per miljon utgångstoken är det ett seriöst alternativ om du behöver resonemang på frontlinjen utan frontlinjens kostnader.

Känd för

Guldmedaljprestation på matematik- och kodningstävlingarna IMO och IOI 2025.
DeepSeek Sparse Attention minskar inferenskostnader samtidigt som kvaliteten på långa kontexter bibehålls.
Resonemang kan slås på eller av via en enda boolesk parameter.
Agentisk verktygsanvändning förbättrad genom storskalig syntetisk träningsdata.
Öppna vikter tillgängliga på Hugging Face för självhostad distribution.

Se upp för

Ingen Jinja-chattmall; du måste använda tillverkarens egna Python-kodningsskript, vilket ökar integrationsfriktionen.
Att köra en modell i denna skala lokalt kräver seriös hårdvara – kontrollera ditt VRAM innan nedladdning.
Den högpresterande varianten DeepSeek-V3.2-Speciale beskrivs separat; standard V3.2 är API-åtkomlig version här.

Bäst för

Resonemang

Agenter och verktygsanvändning

Matematik

Kodning

Kör lokalt

Promptar att prova

Svår tävlingsmatematikuppgift

En följd definieras av a₁ = 1, a₂ = 1, och aₙ = aₙ₋₁ + aₙ₋₂ + n för n ≥ 3. Hitta en sluten formel eller rekursion för det allmänna ledet och bevisa ditt svar. Visa varje steg i ditt resonemang.

Flerstegs agentisk plan

Du har tillgång till ett webbsökningsverktyg, en Python-tolk och ett verktyg för filskrivning. En användare vill ha en veckorapport om de fem bästa open-source LLM-releaserna, sparad som en markdown-fil. Skriv hela verktygsanropsplanen: vilka verktyg du använder, i vilken ordning, med vilka indata och hur du hanterar ett misslyckat sökresultat.

Tävlingsprogrammeringsuppgift

Givet en array med n heltal, hitta längden på den längsta delarrayen där summan av elementen är delbar med k. Skriv en lösning i Python med O(n) tidskomplexitet, förklara varför den fungerar och inkludera två testfall med förväntade utdata.

Jämför med

DeepSeek V4.1 Flash
Öppen vikt-modell
1,048,576 tokens kontext · $0.04/M indata, $0.68/M utdata
DeepSeek V4 Flash 0731
Öppen vikt-modell
1,048,576 tokens kontext · $0.01/M indata, $1.28/M utdata
DeepSeek V4 Flash 0423
Öppen vikt-modell
1,048,576 tokens kontext · $0.09/M indata, $0.18/M utdata
DeepSeek V4 Pro 0813
Öppen vikt-modell
1,048,576 tokens kontext · $1.32/M indata, $3.96/M utdata

Fler textmodeller från deepseek

Vanliga frågor

Är vikterna öppna och kan jag köra DeepSeek V3.2 lokalt?: Ja, vikterna är offentligt tillgängliga på Hugging Face under deepseek-ai/DeepSeek-V3.2. Var medveten om att modellen är mycket stor, så lokal distribution kräver betydande hårdvara.
Vad kostar DeepSeek V3.2 och hur stort är kontextfönstret?: Via API kostar det $0.26 per miljon inmatningstoken och $0.80 per miljon utgångstoken, med ett kontextfönster på 163 840 token.
Hur skiljer sig V3.2 från tidigare DeepSeek V3-versioner?: V3.2 lägger till DeepSeek Sparse Attention för billigare inferens med långa kontexter, en skalad RL-efterträningsram, en ny agentisk uppgiftssyntespipeline och en reviderad chattmall med en 'tänkande med verktyg'-funktion som inte fanns i tidigare versioner.

Kaptens omdöme
En sällsynt kombination av öppna vikter, utgångspris under en dollar och genuint resonemang i frontlinjeklass – integrationskostnaden är verklig men värd det.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Popularitetstrend för DeepSeek V3.2

Värmenpoäng sedan 1 Dec 2025

Värmescore

8,488°

Den här veckan

▲

1.6%

8,485° då, 8,488° nu

Den här månaden

▲

7.4%

8,476° då, 8,488° nu

Senaste året

n/a

Inte släppt/spårad än

7,000°

Golvet

Skalan går från 0° till 9 999°. Allt under 7,000° är reserverat för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta. 7,000° är där mätta data börjar: en modell med riktiga data men nästan inga nedladdningar ligger på golvet, och mätningarna fyller graderna ovanför. Golvet säger inget om modellen; det gör bara graderna ovanför, och det är de som skiljer en modell från en annan.

+1,488°

OpenRouter-token

914,260,079,186 token som denna modell bearbetat via OpenRouter de senaste 30 dagarna, både prompts och svar. Varje 10,000,000 token räknas som en nedladdning i nedladdningsterm, totalt 91,426; token från senaste dagen räknas in i användningstakten. Källa: OpenRouter (openrouter.ai/rankings).

Visa detaljerad uppdelning

Varje siffra på den här sidan kan kontrolleras. Den här modellens heat-poäng är 8,488°, och här byggs den upp en ingrediens i taget, med löpande total efter varje: golvet, graderna varje källa lägger till, bonusen för modelltypen och vad vikternas ålder drar bort. Färgerna är banden i diagrammet ovan. Ordlistan i slutet förklarar varje term.

1
Börja vid golvet.
Varför 7,000° och inte noll: skalan går från 0° till 9 999°, och delen under 7,000° är reserverad för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta och aldrig rankas högre än en modell med data. 7,000° är där mätta data börjar. En modell med riktiga data men nästan inga nedladdningar ligger här; allt som följer är mätning, och utrymmet ovanför golvet rymmer tio tiofaldiga steg i nedladdningar på 300° vardera. Golvet är detsamma för varje modell, så det avgör inget; det gör graderna ovanför.
7,000°
löpande total
2
Lägg till nedladdningarna.
91,426 nedladdnings-ekvivalenter totalt, från OpenRouter-token. Tio gånger nedladdningarna ger samma 300°, så storlek spelar roll men tar aldrig över poängen.
+1,488°
8,488°
löpande total
=
Heat-poängen.
Var den här modellen står på varje lista på den här sidan. Ingenting annat ändrar den.
8,488°

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Hur den här modellens popularitet har rört sig jämfört med resten av katalogen: dess tillväxt i nedladdningar, gillningar och användning under varje period, mätt mot en typisk modells tillväxt under samma period, med dess heat-poäng vid den tiden. Över den typiska tillväxten ses som en uppgång, under som en nedgång. Det förflutna rekonstrueras från dagens totalsummor, modellens första dag och dess uppmätta nedladdningshastighet där två mätningar finns; en modell som inte fanns i början av en period visar n/a.

Liknande modeller

Hermes 3 405B Instruct

TEXT / LLM

AI-modeller för bild-, video- och textgenerering

DeepSeek V3.2 är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm deepseek resonemang agenter matematik kodning lokal

Bläddra efter modellfamilj