Jsou váhy otevřené a mohu model spustit lokálně?

Ano, váhy jsou na Hugging Face pod deepseek-ai/DeepSeek-V3.2-Exp. DeepSeek poskytuje demo kód pro inferenci a Docker obrazy pro SGLang na hardwaru H200, MI350 a NPU, ale s 671 miliardami parametrů budete potřebovat značnou multi-GPU kapacitu.

Kolik to stojí a jak velké je kontextové okno?

Přes API je cena 0,27 USD za milion vstupních tokenů a 0,41 USD za milion výstupních tokenů, s kontextovým oknem 163 840 tokenů.

Jak se V3.2 Exp liší od V3.1?

Hlavní novinkou je DeepSeek Sparse Attention, architektonická změna zaměřená na efektivitu s dlouhým kontextem, nikoli na zvýšení přesnosti; benchmarkové skóre jsou přibližně na úrovni V3.1, takže jde o vydání zaměřené na infrastrukturu, nikoli na schopnosti.

DeepSeek V3.2 Exp

2803°

#llm #deepseek #uvažování #programování #agenti #dlouhý kontext

Spustit model

Nabídky / Reklamy

OpenRouter Terminál / API

Platba za token

Chatuj s tímto modelem v prohlížeči nebo ho zavolej ze svého kódu s jedním API klíčem.

DeepSeek | 163,840 tokenů kontext | $0.27/M vstup, $0.41/M výstup. DeepSeek-V3.2-Exp je experimentální velký jazykový model vydaný DeepSeek jako mezikrok mezi verzemi V3.1 a budoucími architekturami. Zavádí DeepSeek Sparse Attention (DSA), jemnozrnný mechanismus řídké pozornosti navržený ke zlepšení efektivity tréninku a inferencí v dlouhých kontextových scénářích při zachování kvality výstupu. Uživatelé mohou ovládat chování uvažování pomocí booleanu reasoning enabled. Více informací najdete v naší dokumentaciOpens in new tab Model byl trénován za podmínek sladěných s V3.1-Terminus pro…DeepSeek | 163,840 tokenů kontext | $0.27/M vstup, $0.41/M výstup. DeepSeek-V3.2-Exp je experimentální velký jazykový model vydaný DeepSeek jako mezikrok mezi verzemi V3.1 a budoucími architekturami. Zavádí DeepSeek Sparse Attention (DSA), jemnozrnný mechanismus řídké pozornosti navržený ke zlepšení efektivity tréninku a inferencí v dlouhých kontextových scénářích při zachování kvality výstupu. Uživatelé mohou ovládat chování uvažování pomocí booleanu reasoning enabled. Více informací najdete v naší dokumentaciOpens in new tab Model byl trénován za podmínek sladěných s V3.1-Terminus pro umožnění přímého srovnání. Benchmarky ukazují výkon přibližně na úrovni V3.1 v úlohách uvažování, kódování a používání nástrojů agenty, s drobnými kompromisy a zisky v závislosti na doméně. Toto vydání se zaměřuje na ověření architektonických optimalizací pro prodloužené délky kontextu spíše než na zlepšení surové přesnosti úloh, což z něj činí především výzkumný model pro zkoumání efektivních návrhů transformerů.

Návody k tomuto modelu

Nejlepší lokální LLM podle použití (říjen 2026): správný otevřený model pro každou práci

Kolik VRAM vlastně potřebuji pro lokální AI?

Co je soubor GGUF? Vysvětlení kvantovaných modelů (Q4, Q8, fp8, NF4)

Všechny návody

Poznámky kapitána

Napsal Captain, hlavní redaktor

Poznámky z 2026-10-13

DeepSeek V3.2 Exp je experimentální verze od DeepSeek, která stojí mezi V3.1 a tím, co přijde dál, a je primárně postavena k ověření nového mechanismu řídké pozornosti nazvaného DeepSeek Sparse Attention (DSA). Výkon je přibližně na úrovni V3.1 v oblasti uvažování, kódování a agentních úloh. Hodí se pro výzkumníky a vývojáře, kteří chtějí testovat efektivní inferenci s dlouhým kontextem, nebo kteří prostě chtějí schopný model špičkové úrovně za nízkou cenu za token.

Známý pro

DeepSeek Sparse Attention (DSA) zlepšuje efektivitu tréninku a inference s dlouhým kontextem.
Výkon odpovídá V3.1 na benchmarkech uvažování, kódování a agentních úloh.
Přepínatelný režim uvažování dává kontrolu nad chováním myšlení.
Otevřené váhy dostupné na Hugging Face; běží přes SGLang nebo vLLM.
Cena pod 0,50 USD za milion výstupních tokenů je výrazně nižší než u většiny špičkových konkurentů.

Dej pozor na

Toto je experimentální verze pro ověření architektury, nikoli obecné vylepšení schopností oproti V3.1.
Lokální běh vyžaduje výkonný multi-GPU hardware; model s 671 miliardami parametrů není pro notebook.
Chyba v implementaci RoPE ovlivnila dřívější inferenční kód; používejte aktualizovanou verzi z repozitáře.

Nejlepší pro

Uvažování

Programování

Agenti a používání nástrojů

Dlouhý kontext

Běží lokálně

Promptů k vyzkoušení

Programátorský soutěžní problém

Vyřešte tento problém z programátorské soutěže a krok za krokem vysvětlete svůj přístup. Máte pole n celých čísel, najděte délku nejdelší podposloupnosti, jejíž součet je dělitelný k. Omezení: n až 100 000, k až 1 000, hodnoty mezi -10^9 a 10^9. Uveďte funkční Python kód a analyzujte časovou složitost.

Vícekrokový agentní plán

Plánujete automatizovaný výzkumný pipeline. Uživatel chce denně sledovat 20 akademických RSS kanálů, deduplikovat články podle podobnosti názvů, ohodnotit každý článek podle relevance k 'sparse attention in transformers' a poslat e-mailem seřazený přehled. Nastiňte krok za krokem volání nástrojů a rozhodovací logiku agenta, včetně zpracování chyb.

Náročná logická hádanka

Pět inženýrů vlastní každý jiný AI model, pijí jiný nápoj a pracují v jiném městě. Použijte tyto indicie k určení, kdo vlastní model s řídkou pozorností: inženýr v Berlíně pije espresso; uživatel vLLM je hned vlevo od pijáka espressa; inženýr pijící zelený čaj vlastní MoE model; inženýr v Tokiu nepije vodu; majitel modelu s řídkou pozorností pije kávu. Ukažte celý svůj řetězec uvažování.

Porovnat s

DeepSeek V4.1 Flash
Model s otevřenými váhami
kontext 1,048,576 tokenů · $0.04/M vstup, $0.68/M výstup
DeepSeek V4 Flash 0731
Model s otevřenými váhami
kontext 1,048,576 tokenů · $0.01/M vstup, $1.28/M výstup
DeepSeek V4 Flash 0423
Model s otevřenými váhami
kontext 1,048,576 tokenů · $0.09/M vstup, $0.18/M výstup
DeepSeek V4 Pro 0813
Model s otevřenými váhami
kontext 1,048,576 tokenů · $1.32/M vstup, $3.96/M výstup

Více textových modelů od deepseek

Často kladené otázky

Jsou váhy otevřené a mohu model spustit lokálně?: Ano, váhy jsou na Hugging Face pod deepseek-ai/DeepSeek-V3.2-Exp. DeepSeek poskytuje demo kód pro inferenci a Docker obrazy pro SGLang na hardwaru H200, MI350 a NPU, ale s 671 miliardami parametrů budete potřebovat značnou multi-GPU kapacitu.
Kolik to stojí a jak velké je kontextové okno?: Přes API je cena 0,27 USD za milion vstupních tokenů a 0,41 USD za milion výstupních tokenů, s kontextovým oknem 163 840 tokenů.
Jak se V3.2 Exp liší od V3.1?: Hlavní novinkou je DeepSeek Sparse Attention, architektonická změna zaměřená na efektivitu s dlouhým kontextem, nikoli na zvýšení přesnosti; benchmarkové skóre jsou přibližně na úrovni V3.1, takže jde o vydání zaměřené na infrastrukturu, nikoli na schopnosti.

Verdikt kapitána
Výzkumná architektonická testovací platforma, která náhodou dosahuje špičkových výkonů a dotazy stojí téměř nic.

Modelová karta na Hugging Face

Kapitán píše tyto poznámky na základě popisu modelu a modelové karty. Ceny a velikosti kontextu jsou od poskytovatele v době psaní a mohou se změnit.

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

Jak se toto skóre sčítá

Tento model zatím nemá žádná data o popularitě z žádného zdroje, takže má náhradní číslo pod 7,000°, které udržuje seznamy kompletní. Nikdy se neumístí výš než model s daty. Rozpis se tu objeví, jakmile ho nějaký zdroj nahlásí.

Slovníček: pojmy používané zde

Heat skóre: Jedno číslo, které ukazuje, jak moc se model teď používá a chce, od 0° do 9 999°. Každý seznam na tomto webu, který říká nejžhavější, je podle toho seřazený a nic jiného.
Minimum: 7 000° je základ, od kterého začíná každý model s reálnými daty. Měřítko je od 0° do 9 999°; část pod minimem je vyhrazena pro zástupce (modely bez dat), aby model s daty byl vždy výš než ten bez. Minimum je stejné pro všechny a nic nerozhoduje; stupně nad ním jsou měření.
Ekvivalenty stažení: Všechno, co skóre počítá jako stažení, sečtené: samotná stažení, každý torrent seeder jako 1 000, každý obrázek z AI Horde a každý běh na generujícím webu jako jedno.
Logaritmická škála: Počítá se po desítkách, ne po jednotkách: přechod z 1 000 na 10 000 stažení přidá stejný počet stupňů jako z 10 000 na 100 000. Zabraňuje, aby obři přebili všechno ostatní.
Lajky: Palce nahoru a lajky ze všech zdrojů, každý za polovinu váhy stažení na logaritmické škále.
Rychlost přijetí: Kolik stažení denně model právě teď má, podle rozdílu mezi dvěma odečty zdroje. Čtvrtina váhy oproti termínu stažení.
Měřené a odhadované: Měřené znamená, že existují dva záznamy zdroje a rozdíl je skutečný. Odhadované znamená, že je znám jen dnešní celkový údaj a minulost je rozložena přes životnost modelu; stránka uvádí, který typ zobrazuje.
Seeder: Někdo, kdo drží kopii vah online, aby si ji ostatní mohli stáhnout přes torrent, nebo hostovaný zrcadlový server, který dělá totéž. Každý takový počítá jako 1 000 stažení.
AI Horde: Dobrovolnická síť, která zdarma generuje obrázky na darovaných počítačích. Počet obrázků vytvořených s modelem je veřejný a každý se počítá jako jedno stažení.
Generační stránky: Stránky, které hostují vlastní kopie modelu a umožňují lidem generovat s ním, například PixAI, SeaArt a Yodayo. Jejich stažení se počítají stejně jako u Civitai a každý běh generování jako jedno stažení.
OpenRouter tokeny: Textový model poskytovaný přes API, jako Claude nebo GPT, nemá žádné váhy ke stažení, takže jeho využití se měří tokeny: kusy textu, které přečetl a napsal přes OpenRouter, bránu, kterou používá mnoho aplikací, za posledních 30 dní. Každých 10,000,000 tokenů se počítá jako jedno stažení. Zdroj: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Plný model (checkpoint): Samotné váhy, soubor, který generuje sám o sobě. Má bonus, protože na něm závisí doplňky.
LoRA a embedding: Malé doplňkové soubory, které nasměrují váhy někoho jiného k určitému stylu, postavě nebo konceptu. Samy o sobě nemohou běžet.
Rodina a váhy: Základ, na kterém je model postavený, například SD 1.5, SDXL, Flux nebo Wan. Každý model dědí datum vydání vah své rodiny.
Věk: Stupně odečtené podle toho, jak dávno vyšla váha rodiny: 150° za rok, až do 750°. Staré stažení, která měla roky na nashromáždění, zůstávají nahoře na seznamu.
Boost rodiny: Malý, omezený posun pro LoRA rodiny, kterou tato stránka právě podporuje, vždy uvedený v rozpisu.
Náhradní skóre: Stabilní číslo pod minimem dané modelu, o kterém zatím žádný zdroj nehlásí, aby seznamy zůstaly kompletní. Nikdy není výše než model s daty.
Nové! (ochranná lhůta): Model mladší než 7 dní ukazuje místo skóre Nové! a nezískává místo v žebříčku. Jeho skóre se počítá od prvního dne, ale model starý jeden den roste rychleji než cokoli jiného, takže bez čekání by #1 týdne byl vždy model, který vyšel včera, místo toho, co vydrželo týden.
Trend: Jak růst modelu za určité období odpovídá typickému růstu modelu za stejné období. Rychlejší než obvyklé znamená vzestup, pomalejší pokles.
Typický model: Střed katalogu: polovina modelů s číslem rostla rychleji za dané období, polovina pomaleji.

Podobné modely

Llama 3.1 Euryale 70B v2.2

TEXT / LLM

AI modely pro generování obrázků, videa a textu

DeepSeek V3.2 Exp je textový model pro rodinu Text / LLM uvedený na ModelTrends.ai, katalogu open source AI modelů pro obrázky, video a text určeném jen ke čtení. Porovnejte ho s dalšími modely Text / LLM a podívejte se na jeho skóre žhavosti.

Další modely Text / LLM llm deepseek uvažování programování agenti dlouhý kontext lokální

Procházet podle rodiny modelů