Är vikterna öppna och kan jag köra den lokalt?

Ja, vikterna finns på Hugging Face under deepseek-ai/DeepSeek-V3.2-Exp. DeepSeek tillhandahåller inferensdemokod samt Docker-bilder för SGLang på H200, MI350 och NPU-hårdvara, men med 671 miljarder parametrar krävs betydande multi-GPU-kapacitet.

Vad kostar det och hur stort är kontextfönstret?

Via API kostar det 0,27 USD per miljon inmatningstokens och 0,41 USD per miljon utmatningstokens, med ett kontextfönster på 163 840 tokens.

Hur skiljer sig V3.2 Exp från V3.1?

Huvudtillägget är DeepSeek Sparse Attention, en arkitekturförändring som syftar till effektivitet vid lång kontext snarare än råa noggrannhetsvinster; benchmarkpoängen ligger ungefär på samma nivå som V3.1, så detta är en infrastrukturfokuserad version, inte ett kapacitetslyft.

DeepSeek V3.2 Exp

2803°

#llm #deepseek #resonemang #kodning #agenter #lång kontext

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 token kontext | $0.27/M input, $0.41/M output. DeepSeek-V3.2-Exp är en experimentell stor språkmodell släppt av DeepSeek som ett mellanled mellan V3.1 och framtida arkitekturer. Den introducerar DeepSeek Sparse Attention (DSA), en finmaskig gles uppmärksamhetsmekanism designad för att förbättra tränings- och inferenseffektivitet i långkontextscenarier samtidigt som utmatningskvaliteten bibehålls. Användare kan styra resonemangsbeteendet med reasoning enabled boolean. Läs mer i vår docsOpens in new tab Modellen tränades under förhållanden anpassade till V3.1-Terminus för att…DeepSeek | 163,840 token kontext | $0.27/M input, $0.41/M output. DeepSeek-V3.2-Exp är en experimentell stor språkmodell släppt av DeepSeek som ett mellanled mellan V3.1 och framtida arkitekturer. Den introducerar DeepSeek Sparse Attention (DSA), en finmaskig gles uppmärksamhetsmekanism designad för att förbättra tränings- och inferenseffektivitet i långkontextscenarier samtidigt som utmatningskvaliteten bibehålls. Användare kan styra resonemangsbeteendet med reasoning enabled boolean. Läs mer i vår docsOpens in new tab Modellen tränades under förhållanden anpassade till V3.1-Terminus för att möjliggöra direkt jämförelse. Benchmarking visar prestanda ungefär i nivå med V3.1 över resonemang, kodning och agentiska verktygsanvändningsuppgifter, med mindre kompromisser och vinster beroende på domän. Denna version fokuserar på att validera arkitektoniska optimeringar för förlängda kontextlängder snarare än att förbättra rå uppgiftsnoggrannhet, vilket gör den främst till en forskningsinriktad modell för att utforska effektiva transformer-designs.

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 Exp är en experimentell version från DeepSeek som ligger mellan V3.1 och vad som kommer härnäst, byggd främst för att validera en ny mekanism för gles uppmärksamhet kallad DeepSeek Sparse Attention (DSA). Prestandan ligger ungefär på samma nivå som V3.1 över resonemang, kodning och agentuppgifter. Den passar forskare och utvecklare som vill testa effektiv inferens med lång kontext eller som helt enkelt vill ha en kapabel modell i frontlinjen till ett lågt tokenpris.

Känd för

DeepSeek Sparse Attention (DSA) förbättrar effektiviteten vid träning och inferens med lång kontext.
Prestanda matchar V3.1 på resonemangs-, kodnings- och agentbenchmarkar.
Växlingsbar resonemangs-läge ger kontroll över tänkandebeteende.
Öppna vikter tillgängliga på Hugging Face; körs via SGLang eller vLLM.
Utmatningspris under 0,50 USD per miljon tokens placerar den långt under de flesta frontlinjemodeller.

Se upp för

Detta är en experimentell arkitekturvalidering, inte en generell kapacitetsuppgradering jämfört med V3.1.
Att köra lokalt kräver seriös multi-GPU-hårdvara; 671B-parametrar är inte en laptopmodell.
En bugg i RoPE-implementeringen påverkade tidigare inferenskod; använd den uppdaterade versionen från repot.

Bäst för

Resonemang

Kodning

Agenter och verktygsanvändning

Lång kontext

Kör lokalt

Promptar att prova

Tävlingsprogrammeringsproblem

Lös detta tävlingsprogrammeringsproblem och förklara din metod steg för steg. Givet en array med n heltal, hitta längden på den längsta delarrayen där summan av elementen är delbar med k. Begränsningar: n upp till 100 000, k upp till 1 000, värden mellan -10^9 och 10^9. Ge fungerande Python-kod och analysera tidskomplexiteten.

Flerstegs agentplan

Du planerar en automatiserad forskningspipeline. En användare vill dagligen övervaka 20 akademiska RSS-flöden, deduplicera artiklar efter titel-likhet, poängsätta varje artikel för relevans till 'sparse attention in transformers' och mejla en rankad sammanfattning. Skissera verktygsanrop och beslutslogik som en agent behöver, steg för steg, inklusive felhantering.

Svårt resonemangs-pussel

Fem ingenjörer äger varsin AI-modell, dricker olika drycker och arbetar i olika städer. Använd ledtrådarna för att avgöra vem som äger sparse-attention-modellen: ingenjören i Berlin dricker espresso; vLLM-användaren sitter direkt till vänster om espressodrickaren; ingenjören som dricker grönt te äger MoE-modellen; ingenjören i Tokyo dricker inte vatten; ägaren till sparse-attention-modellen dricker kaffe. Visa hela din resonemangskedja.

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 den lokalt?: Ja, vikterna finns på Hugging Face under deepseek-ai/DeepSeek-V3.2-Exp. DeepSeek tillhandahåller inferensdemokod samt Docker-bilder för SGLang på H200, MI350 och NPU-hårdvara, men med 671 miljarder parametrar krävs betydande multi-GPU-kapacitet.
Vad kostar det och hur stort är kontextfönstret?: Via API kostar det 0,27 USD per miljon inmatningstokens och 0,41 USD per miljon utmatningstokens, med ett kontextfönster på 163 840 tokens.
Hur skiljer sig V3.2 Exp från V3.1?: Huvudtillägget är DeepSeek Sparse Attention, en arkitekturförändring som syftar till effektivitet vid lång kontext snarare än råa noggrannhetsvinster; benchmarkpoängen ligger ungefär på samma nivå som V3.1, så detta är en infrastrukturfokuserad version, inte ett kapacitetslyft.

Kaptens omdöme
En forskningsklassad arkitekturtestbädd som råkar prestera på frontlinjen och kostar nästan ingenting att fråga.

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

Not this creator?

Get your own badge

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

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.

Liknande modeller

AI-modeller för bild-, video- och textgenerering

DeepSeek V3.2 Exp 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 kodning agenter lång kontext lokal

Bläddra efter modellfamilj