DeepSeek V3.2 Exp
2803°
Chạy mô hình này
Ưu đãi / Quảng cáo
DeepSeek | ngữ cảnh 163,840 token | $0.27/M đầu vào, $0.41/M đầu ra. DeepSeek-V3.2-Exp là một mô hình ngôn ngữ lớn thử nghiệm được DeepSeek phát hành như một bước trung gian giữa V3.1 và các kiến trúc tương lai. Nó giới thiệu DeepSeek Sparse Attention (DSA), một cơ chế chú ý thưa thớt tinh vi nhằm cải thiện hiệu quả huấn luyện và suy luận trong các kịch bản ngữ cảnh dài đồng thời duy trì chất lượng đầu ra. Người dùng có thể kiểm soát hành vi suy luận với biến boolean bật/tắt suy luận. Tìm hiểu thêm trong tài liệu của chúng tôiOpens in new tab Mô hình được huấn luyện dưới các điều kiện tương…DeepSeek | ngữ cảnh 163,840 token | $0.27/M đầu vào, $0.41/M đầu ra. DeepSeek-V3.2-Exp là một mô hình ngôn ngữ lớn thử nghiệm được DeepSeek phát hành như một bước trung gian giữa V3.1 và các kiến trúc tương lai. Nó giới thiệu DeepSeek Sparse Attention (DSA), một cơ chế chú ý thưa thớt tinh vi nhằm cải thiện hiệu quả huấn luyện và suy luận trong các kịch bản ngữ cảnh dài đồng thời duy trì chất lượng đầu ra. Người dùng có thể kiểm soát hành vi suy luận với biến boolean bật/tắt suy luận. Tìm hiểu thêm trong tài liệu của chúng tôiOpens in new tab Mô hình được huấn luyện dưới các điều kiện tương thích với V3.1-Terminus để cho phép so sánh trực tiếp. Các bài đánh giá cho thấy hiệu năng tương đương với V3.1 trên các nhiệm vụ suy luận, lập trình và sử dụng công cụ tác nhân, với những đánh đổi và cải tiến nhỏ tùy theo lĩnh vực. Phiên bản này tập trung xác nhận các tối ưu kiến trúc cho độ dài ngữ cảnh mở rộng thay vì nâng cao độ chính xác nhiệm vụ thuần túy, chủ yếu là mô hình nghiên cứu để khám phá thiết kế transformer hiệu quả.
Hướng dẫn cho mô hình này
LLM cục bộ tốt nhất theo từng trường hợp sử dụng (Tháng 10 năm 2026): mô hình mở phù hợp cho mọi công việc
Mình thực sự cần bao nhiêu VRAM cho AI cục bộ?
Tệp GGUF là gì? Giải thích về các mô hình lượng tử hóa (Q4, Q8, fp8, NF4)
Ghi chú của thuyền trưởng
Ghi chú từ 2026-10-13
DeepSeek V3.2 Exp là bản phát hành thử nghiệm từ DeepSeek nằm giữa V3.1 và phiên bản tiếp theo, chủ yếu để xác thực cơ chế chú ý thưa mới gọi là DeepSeek Sparse Attention (DSA). Hiệu năng tương đương V3.1 trên các tác vụ suy luận, lập trình và tác nhân. Phù hợp cho nhà nghiên cứu và nhà phát triển muốn thử nghiệm suy luận ngữ cảnh dài hiệu quả hoặc đơn giản là cần mô hình tiên tiến với giá token thấp.
Nổi tiếng với
- DeepSeek Sparse Attention (DSA) cải thiện hiệu quả huấn luyện và suy luận ngữ cảnh dài.
- Hiệu năng tương đương V3.1 trên các chuẩn suy luận, lập trình và tác nhân.
- Chế độ suy luận có thể bật tắt giúp kiểm soát hành vi tư duy.
- Trọng số mở trên Hugging Face; chạy qua SGLang hoặc vLLM.
- Giá đầu ra dưới 0,50 USD/M token, thấp hơn hầu hết đối thủ cùng cấp.
Cẩn thận với
- Đây là bản thử nghiệm xác thực kiến trúc, không phải nâng cấp năng lực tổng quát so với V3.1.
- Chạy cục bộ cần phần cứng đa GPU mạnh; quy mô 671B không dành cho laptop.
- Lỗi triển khai RoPE ảnh hưởng đến mã suy luận trước đây; hãy dùng phiên bản cập nhật từ repo.
Lời nhắc để thử
Bài toán lập trình cạnh tranh
Giải bài toán lập trình cạnh tranh này và giải thích cách tiếp cận từng bước. Cho mảng n số nguyên, tìm độ dài dãy con dài nhất có tổng các phần tử chia hết cho k. Ràng buộc: n đến 100.000, k đến 1.000, giá trị từ -10^9 đến 10^9. Cung cấp mã Python hoạt động và phân tích độ phức tạp thời gian.
Kế hoạch tác nhân đa bước
Bạn đang lên kế hoạch pipeline nghiên cứu tự động. Người dùng muốn theo dõi 20 nguồn RSS học thuật hàng ngày, loại bỏ trùng lặp bài báo theo độ tương đồng tiêu đề, chấm điểm mỗi bài về mức độ liên quan đến 'chú ý thưa trong transformers', và gửi email bản tóm tắt xếp hạng. Phác thảo các cuộc gọi công cụ và logic quyết định của tác nhân từng bước, bao gồm xử lý lỗi.
Câu đố suy luận khó
Năm kỹ sư mỗi người sở hữu một mô hình AI khác nhau, uống một loại đồ uống khác nhau, và làm việc ở một thành phố khác nhau. Dùng các gợi ý để xác định ai sở hữu mô hình chú ý thưa: kỹ sư ở Berlin uống espresso; người dùng vLLM ngay bên trái người uống espresso; kỹ sư uống trà xanh sở hữu mô hình MoE; kỹ sư ở Tokyo không uống nước; người sở hữu mô hình chú ý thưa uống cà phê. Trình bày đầy đủ chuỗi suy luận.
So sánh với
- DeepSeek V4.1 FlashMô hình mở trọng sốngữ cảnh 1,048,576 token · Đầu vào $0.04/M, đầu ra $0.68/M
- DeepSeek V4 Flash 0731Mô hình mở trọng sốngữ cảnh 1,048,576 token · Đầu vào $0.01/M, đầu ra $1.28/M
- DeepSeek V4 Flash 0423Mô hình mở trọng sốngữ cảnh 1,048,576 token · Đầu vào $0.09/M, đầu ra $0.18/M
- DeepSeek V4 Pro 0813Mô hình mở trọng sốngữ cảnh 1,048,576 token · Đầu vào $1.32/M, đầu ra $3.96/M
Thêm mô hình văn bản từ deepseek
Câu hỏi thường gặp
- Trọng số có mở và tôi có thể chạy cục bộ không?
- Có, trọng số có trên Hugging Face tại deepseek-ai/DeepSeek-V3.2-Exp. DeepSeek cung cấp mã demo suy luận và Docker image cho SGLang trên phần cứng H200, MI350 và NPU, nhưng với 671B tham số bạn cần phần cứng đa GPU mạnh.
- Chi phí là bao nhiêu và ngữ cảnh dài bao nhiêu?
- Qua API, giá là 0,27 USD cho mỗi triệu token đầu vào và 0,41 USD cho mỗi triệu token đầu ra, với cửa sổ ngữ cảnh 163.840 token.
- V3.2 Exp khác gì so với V3.1?
- Điểm mới chính là DeepSeek Sparse Attention, thay đổi kiến trúc nhằm tăng hiệu quả ngữ cảnh dài chứ không phải cải thiện độ chính xác; điểm chuẩn tương đương V3.1, nên đây là bản thử nghiệm hạ tầng, không phải nâng cấp năng lực.
Phán quyết của thuyền trưởngNền tảng thử nghiệm kiến trúc cấp nghiên cứu, đồng thời có hiệu năng hàng đầu và chi phí truy vấn gần như không đáng kể.
Thẻ mô hình trên Hugging Face
Thuyền trưởng viết những ghi chú này dựa trên mô tả và thẻ mô hình của mô hình. Giá cả và kích thước ngữ cảnh là của nhà cung cấp tại thời điểm viết và có thể thay đổi.
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.
Điểm số này được tính như thế nào
Mô hình này chưa có dữ liệu phổ biến từ bất kỳ nguồn nào, nên nó mang một số thay thế dưới 7,000° để giữ cho danh sách đầy đủ. Nó không bao giờ xếp trên một mô hình có dữ liệu. Phân tích chi tiết sẽ xuất hiện ở đây ngay khi có nguồn báo cáo.
Thuật ngữ: các từ dùng ở đây
- Điểm nhiệt
- Một số duy nhất cho biết mô hình được dùng và mong muốn thế nào hiện tại, từ 0° đến 9.999°. Mọi danh sách trên trang này nói về độ hot đều sắp xếp theo nó và không theo gì khác.
- Sàn điểm
- 7.000° là điểm bắt đầu cho mọi mô hình có dữ liệu thật. Thang điểm chạy từ 0° đến 9.999°; phần dưới sàn dành cho mô hình thay thế (mô hình không có dữ liệu), để mô hình có dữ liệu luôn xếp trên mô hình không có. Sàn điểm giống nhau cho tất cả và không quyết định gì; điểm trên sàn mới là thước đo.
- Tương đương lượt tải
- Tất cả những gì điểm số coi là lượt tải, cộng lại: lượt tải thật, mỗi người chia sẻ torrent tính 1.000, mỗi ảnh AI Horde và mỗi lượt chạy trên trang tạo ảnh tính một.
- Thang log
- Đếm theo chục, không phải theo đơn vị: từ 1.000 lên 10.000 lượt tải thêm cùng số điểm như từ 10.000 lên 100.000. Giúp tránh việc các mô hình lớn lấn át hết mọi thứ khác.
- Lượt thích
- Giơ ngón tay cái và lượt thích từ mọi nguồn, mỗi lượt bằng một nửa lượt tải trên thang log.
- Tỷ lệ áp dụng
- Bao nhiêu lượt tải mỗi ngày mà mô hình nhận được hiện tại, tính từ chênh lệch giữa hai lần đọc nguồn. Bằng một phần tư trọng số của lượt tải.
- Đã đo và ước tính
- Đã đo nghĩa là có hai lần đọc từ một nguồn và sự khác biệt là thật. Ước tính nghĩa là chỉ biết tổng số hôm nay và quá khứ được phân bổ trong suốt thời gian tồn tại của mô hình; trang web sẽ nói rõ đang hiển thị loại nào.
- Seeder
- Người giữ bản sao trọng số trực tuyến để người khác tải qua torrent, hoặc một bản sao lưu trữ làm điều tương tự. Mỗi người được tính là 1.000 lượt tải.
- AI Horde
- Một mạng lưới tình nguyện tạo ảnh miễn phí trên máy tính được hiến tặng. Số ảnh nó đã tạo với một mô hình được công khai, và mỗi ảnh được tính là một lượt tải.
- Trang tạo ảnh
- Các trang lưu trữ bản sao mô hình riêng và cho phép người dùng tạo ảnh, như PixAI, SeaArt và Yodayo. Lượt tải của họ được tính giống như Civitai và mỗi lần tạo ảnh được tính là một lượt tải.
- Token OpenRouter
- Mô hình văn bản phục vụ qua API, như Claude hoặc GPT, không có trọng số để tải xuống, nên sử dụng token để đo lường: các đoạn văn bản nó đọc và viết qua OpenRouter, một cổng kết nối nhiều ứng dụng sử dụng, trong 30 ngày qua. Mỗi 10,000,000 token tính là một lượt tải. Nguồn: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Mô hình đầy đủ (checkpoint)
- Chính là trọng số, file tự tạo ảnh. Nó được cộng thêm điểm vì các add-on phụ thuộc vào nó.
- LoRA và embedding
- Các file add-on nhỏ giúp điều chỉnh trọng số của người khác theo phong cách, nhân vật hoặc ý tưởng. Chúng không thể chạy riêng.
- Gia đình và trọng số
- Nền tảng mà mô hình xây dựng trên đó, như SD 1.5, SDXL, Flux hoặc Wan. Mỗi mô hình kế thừa ngày phát hành của trọng số gia đình nó.
- Tuổi
- Điểm trừ dựa trên thời gian trọng số gia đình được phát hành: 150° mỗi năm, tối đa 750°. Nó giữ lại lượt tải cũ đã tích tụ nhiều năm bằng cách đóng băng đầu danh sách.
- Tăng gia đình
- Một đẩy nhỏ có giới hạn cho LoRA của một gia đình mà trang này đang ưu tiên, luôn được liệt kê trong phần phân tích.
- Điểm thay thế
- Một số ổn định dưới mức tối thiểu dành cho mô hình chưa có báo cáo nguồn, để danh sách luôn đầy đủ. Nó không bao giờ xếp trên mô hình có dữ liệu.
- Mới! (giai đoạn thử nghiệm)
- Mô hình dưới 7 ngày tuổi hiển thị Mới! thay vì điểm số và không được xếp hạng. Điểm số được tính từ ngày đầu tiên, nhưng mô hình mới một ngày tăng trưởng nhanh nhất, nên nếu không chờ đợi thì #1 tuần này sẽ luôn là mô hình mới ra hôm qua thay vì mô hình giữ vững trong tuần.
- Xu hướng
- Tốc độ tăng trưởng của mô hình trong một khoảng thời gian so với tốc độ tăng trưởng trung bình của mô hình khác trong cùng khoảng thời gian. Nhanh hơn trung bình là tăng, chậm hơn là giảm.
- Mô hình điển hình
- Giữa danh mục: một nửa mô hình có số liệu tăng nhanh hơn trong khoảng thời gian, một nửa tăng chậm hơn.
DeepSeek V3.2 Exp là một mô hình văn bản thuộc họ Text / LLM được liệt kê trên ModelTrends.ai, danh mục chỉ đọc về các mô hình AI hình ảnh, video và văn bản mã nguồn mở. So sánh nó với các mô hình Text / LLM khác và xem điểm độ hot để biết xu hướng.
Thêm mô hình Text / LLMThêm Văn bản / LLM Text / LLMllmdeepseeklý luậnlập trìnhtác nhânngữ cảnh dàicục bộ
Duyệt theo họ mô hình
Mô hình Text / LLM
434
Mô hình Anima
528
Mô hình Chroma
19
Mô hình Fibo
2
Mô hình Flux
1,496
Mô hình Flux 2 / Klein
1,239
Mô hình Flux 3
3
Mô hình Moss
3
Mô hình Iris
1
Mô hình MiniMax H3
364
Mô hình Hunyuan
204
Mô hình Ideogram
20
Mô hình Krea2
717
Mô hình Qwen
20
Mô hình Qwen2
47
Mô hình Ltx2
153