Adakah berat terbuka dan bolehkah saya jalankan DeepSeek V3.2 secara tempatan?

Ya, berat tersedia secara awam di Hugging Face di bawah deepseek-ai/DeepSeek-V3.2. Sila ambil perhatian model ini sangat besar, jadi penggunaan secara tempatan memerlukan perkakasan yang besar.

Berapakah kos DeepSeek V3.2 dan berapa panjang tetingkap konteksnya?

Melalui API, harganya ialah $0.26 per sejuta token input dan $0.80 per sejuta token output, dengan tetingkap konteks 163,840 token.

Bagaimana V3.2 berbeza daripada versi DeepSeek V3 terdahulu?

V3.2 menambah DeepSeek Sparse Attention untuk inferens konteks panjang yang lebih murah, rangka kerja latihan lanjutan penguatan berskala, saluran sintesis tugas agen baru, dan templat sembang yang disemak dengan keupayaan 'berfikir dengan alat' yang tiada dalam versi sebelumnya.

▲

1.6%

minggu ini

DeepSeek V3.2

8488°

#llm #deepseek #penalaran #ejen #matematik #pengaturcaraan

2026

Jalankan model ini

Tawaran / Iklan

OpenRouter Terminal / API

Bayar setiap token

Bual dengan model ini dalam pelayar atau panggil ia dari kod anda dengan satu kunci API.

DeepSeek | konteks 163,840 token | $0.26/M input, $0.80/M output. DeepSeek-V3.2 adalah model bahasa besar yang direka untuk mengharmonikan kecekapan pengiraan tinggi dengan prestasi penalaran dan penggunaan alat agen yang kuat. Ia memperkenalkan DeepSeek Sparse Attention (DSA), mekanisme perhatian jarang halus yang mengurangkan kos latihan dan inferens sambil mengekalkan kualiti dalam senario konteks panjang. Rangka kerja latihan penguatan pasca yang boleh diskalakan meningkatkan lagi penalaran, dengan prestasi yang dilaporkan dalam kelas GPT-5, dan model ini telah menunjukkan keputusan…DeepSeek | konteks 163,840 token | $0.26/M input, $0.80/M output. DeepSeek-V3.2 adalah model bahasa besar yang direka untuk mengharmonikan kecekapan pengiraan tinggi dengan prestasi penalaran dan penggunaan alat agen yang kuat. Ia memperkenalkan DeepSeek Sparse Attention (DSA), mekanisme perhatian jarang halus yang mengurangkan kos latihan dan inferens sambil mengekalkan kualiti dalam senario konteks panjang. Rangka kerja latihan penguatan pasca yang boleh diskalakan meningkatkan lagi penalaran, dengan prestasi yang dilaporkan dalam kelas GPT-5, dan model ini telah menunjukkan keputusan pingat emas pada IMO dan IOI 2025. V3.2 juga menggunakan saluran sintesis tugasan agen berskala besar untuk mengintegrasikan penalaran ke dalam tetapan penggunaan alat dengan lebih baik, meningkatkan pematuhan dan generalisasi dalam persekitaran interaktif. Pengguna boleh mengawal tingkah laku penalaran dengan boolean reasoning enabled. Ketahui lebih lanjut dalam dokumen kamiOpens in new tab

Panduan untuk model ini

LLM tempatan terbaik mengikut kegunaan (Oktober 2026): model terbuka yang sesuai untuk setiap kerja

Berapa banyak VRAM yang saya perlukan untuk AI tempatan?

Apakah fail GGUF? Model kuantisasi diterangkan (Q4, Q8, fp8, NF4)

Semua panduan

Nota Kapten

Ditulis oleh Captain, editor rumah

Nota dari 2026-10-13

DeepSeek V3.2 adalah model berat terbuka besar dari DeepSeek yang dibina berdasarkan tiga taruhan teknikal: mekanisme perhatian jarang yang mengurangkan kos pengiraan pada konteks panjang, rangka kerja latihan lanjutan penguatan berskala, dan saluran sintesis tugas agen yang menghubungkan penalaran dengan penggunaan alat. Pembuat melaporkan prestasi dalam kelas GPT-5, dengan keputusan pingat emas pada IMO dan IOI 2025. Pada harga kurang dari satu dolar per sejuta token output, ia adalah pilihan serius jika anda memerlukan penalaran tahap hadapan tanpa bil tahap hadapan.

Dikenali untuk

Prestasi pingat emas pada pertandingan matematik dan pengaturcaraan IMO dan IOI 2025.
DeepSeek Sparse Attention mengurangkan kos inferens sambil mengekalkan kualiti konteks panjang.
Penalaran boleh dihidupkan atau dimatikan melalui satu parameter boolean.
Penggunaan alat agen dipertingkatkan melalui data latihan sintetik berskala besar.
Berat terbuka tersedia di Hugging Face untuk penggunaan sendiri secara hos.

Berhati-hati dengan

Tiada templat sembang Jinja; anda mesti menggunakan skrip pengekodan Python khusus pembuat, yang menambah kesukaran integrasi.
Menjalankan model sebesar ini secara tempatan memerlukan perkakasan serius — periksa VRAM anda sebelum memuat turun.
Varian pengiraan tinggi DeepSeek-V3.2-Speciale diterangkan secara berasingan; V3.2 standard adalah versi yang boleh diakses melalui API di sini.

Terbaik untuk

Penalaran

Ejen dan penggunaan alat

Matematik

Pengaturcaraan

Jalankan secara tempatan

Arahan untuk cuba

Masalah matematik pertandingan sukar

Satu urutan ditakrifkan oleh a₁ = 1, a₂ = 1, dan aₙ = aₙ₋₁ + aₙ₋₂ + n untuk n ≥ 3. Cari ungkapan bentuk tertutup atau ulangan bagi terma umum, dan buktikan jawapan anda. Tunjukkan setiap langkah penalaran anda.

Rancangan agen berbilang langkah

Anda mempunyai akses kepada alat carian web, penafsir Python, dan alat menulis fail. Seorang pengguna mahu laporan mingguan mengenai lima keluaran LLM sumber terbuka teratas, disimpan sebagai fail markdown. Tulis rancangan panggilan alat penuh: alat mana yang anda panggil, dalam susunan apa, dengan input apa, dan bagaimana anda mengendalikan keputusan carian yang gagal.

Tugas pengaturcaraan kompetitif

Diberi satu tatasusunan n integer, cari panjang subtatasusunan terpanjang di mana jumlah elemen boleh dibahagi dengan k. Tulis penyelesaian dalam Python dengan kerumitan masa O(n), terangkan mengapa ia berfungsi, dan sertakan dua kes ujian dengan output yang dijangka.

Bandingkan dengan

DeepSeek V4.1 Flash
Model berat terbuka
konteks 1,048,576 token · Input $0.04/M, output $0.68/M
DeepSeek V4 Flash 0731
Model berat terbuka
konteks 1,048,576 token · Input $0.01/M, output $1.28/M
DeepSeek V4 Flash 0423
Model berat terbuka
konteks 1,048,576 token · Input $0.09/M, output $0.18/M
DeepSeek V4 Pro 0813
Model berat terbuka
konteks 1,048,576 token · Input $1.32/M, output $3.96/M

Lebih banyak model teks dari deepseek

Soalan yang sering ditanya

Adakah berat terbuka dan bolehkah saya jalankan DeepSeek V3.2 secara tempatan?: Ya, berat tersedia secara awam di Hugging Face di bawah deepseek-ai/DeepSeek-V3.2. Sila ambil perhatian model ini sangat besar, jadi penggunaan secara tempatan memerlukan perkakasan yang besar.
Berapakah kos DeepSeek V3.2 dan berapa panjang tetingkap konteksnya?: Melalui API, harganya ialah $0.26 per sejuta token input dan $0.80 per sejuta token output, dengan tetingkap konteks 163,840 token.
Bagaimana V3.2 berbeza daripada versi DeepSeek V3 terdahulu?: V3.2 menambah DeepSeek Sparse Attention untuk inferens konteks panjang yang lebih murah, rangka kerja latihan lanjutan penguatan berskala, saluran sintesis tugas agen baru, dan templat sembang yang disemak dengan keupayaan 'berfikir dengan alat' yang tiada dalam versi sebelumnya.

Keputusan Kapten
Gabungan jarang berat terbuka, harga output bawah dolar, dan penalaran kelas hadapan sebenar — beban integrasi memang wujud tetapi berbaloi.

Kad model di Hugging Face

Kapten menulis nota ini berdasarkan penerangan model dan kad model itu sendiri. Harga dan saiz konteks adalah dari penyedia pada masa penulisan dan boleh berubah.

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

Trend populariti DeepSeek V3.2

Skor panas sejak 1 Dec 2025

Skor haba

8,488°

Minggu ini

▲

1.6%

8,485° dulu, 8,488° sekarang

Bulan ini

▲

7.4%

8,476° dulu, 8,488° sekarang

Tahun lalu

n/a

Belum dikeluarkan/dipantau

7,000°

Lantai

Skala berjalan dari 0° hingga 9,999°. Apa sahaja di bawah 7,000° disimpan untuk model yang belum dilaporkan oleh mana-mana sumber, yang membawa nombor gantian di situ supaya senarai tetap lengkap. 7,000° adalah tempat data yang diukur bermula: model dengan data sebenar tapi hampir tiada muat turun berada di lantai, dan ukuran mengisi darjah di atasnya. Lantai tidak memberitahu apa-apa tentang model; hanya darjah di atasnya yang buat beza antara satu model dengan model lain.

+1,488°

Token OpenRouter

914,260,079,186 token diproses oleh model ini melalui OpenRouter dalam 30 hari terakhir, termasuk arahan dan jawapan. Setiap 10,000,000 token dikira sebagai satu muat turun dalam tempoh muat turun, 91,426 semuanya; token hari terakhir disertakan dalam kadar penggunaan. Sumber: OpenRouter (openrouter.ai/rankings).

Tunjukkan pecahan terperinci

Setiap nombor di laman ini boleh diperiksa. Skor panas model ini adalah 8,488°, dan ia dibina satu bahan pada satu masa, dengan jumlah terkini selepas setiap langkah: lantai, darjah yang ditambah oleh setiap sumber, bonus untuk jenis model dan apa yang umur beratnya tolak. Warna-warna itu adalah jalur carta di atas. Glosari di akhir menerangkan setiap istilah.

1
Mula di lantai.
Kenapa 7,000° dan bukan sifar: skala dari 0° hingga 9,999°, dan bahagian di bawah 7,000° dikhaskan untuk model yang belum dilaporkan oleh mana-mana sumber, yang membawa nombor gantian supaya senarai tetap lengkap dan tidak pernah mengatasi model dengan data. 7,000° adalah tempat data yang diukur bermula. Model dengan data sebenar tapi hampir tiada muat turun berada di sini; semua yang berikut adalah ukuran, dan ruang di atas lantai ada sepuluh langkah muat turun sepuluh kali ganda pada 300° setiap satu. Lantai sama untuk setiap model, jadi ia tidak tentukan apa-apa; darjah di atasnya yang buat beza.
7,000°
jumlah berjalan
2
Tambah muat turun.
91,426 muat turun setara semuanya, dari Token OpenRouter. Sepuluh kali muat turun menambah 300° yang sama, jadi saiz penting tapi tidak pernah mengatasi skor.
+1,488°
8,488°
jumlah berjalan
=
Skor heat.
Di mana model ini berdiri dalam setiap senarai laman ini. Tiada yang lain mengubahnya.
8,488°

Glosari: istilah yang digunakan di sini

Skor heat: Satu nombor untuk seberapa banyak model digunakan dan diingini sekarang, dari 0° hingga 9,999°. Setiap senarai di laman ini yang kata paling panas disusun mengikutnya dan tiada yang lain.
Lantai: 7,000° yang setiap model dengan data sebenar bermula. Skala dari 0° hingga 9,999°; bahagian bawah lantai untuk pengganti (model tanpa data), supaya model dengan data sentiasa lebih tinggi dari yang tiada. Lantai sama untuk semua dan tidak tentukan apa-apa; darjah di atasnya adalah ukuran.
Setara muat turun: Semua yang skor anggap sebagai muat turun, dijumlahkan: muat turun sendiri, setiap torrent seeder sebagai 1,000, setiap imej AI Horde dan setiap larian di laman generasi sebagai satu.
Skala log: Mengira dengan puluhan, bukan satuan: dari 1,000 ke 10,000 muat turun tambah darjah sama seperti dari 10,000 ke 100,000. Ini elak gergasi menindas yang lain.
Suka: Jempol dan suka dari semua sumber, bernilai separuh muat turun pada skala log.
Kadar penerimaan: Berapa banyak muat turun sehari model dapat sekarang, dari beza dua bacaan sumber. Berat suku dari terma muat turun.
Diukur dan dianggarkan: Diukur bermaksud ada dua bacaan dari satu sumber dan perbezaannya adalah nyata. Dianggarkan bermaksud hanya jumlah hari ini yang diketahui dan masa lalu diagihkan sepanjang hayat model; laman web akan memberitahu yang mana satu ia tunjukkan.
Seeder: Seseorang yang menyimpan salinan berat secara dalam talian untuk dimuat turun oleh orang lain melalui torrent, atau cermin yang dihoskan melakukan perkara yang sama. Setiap satu dikira sebagai 1,000 muat turun.
AI Horde: Rangkaian sukarelawan yang menjana imej secara percuma pada komputer yang didermakan. Bilangan imej yang telah dihasilkan dengan model adalah awam, dan setiap satu dikira sebagai satu muat turun.
Laman penjanaan: Laman yang menghoskan salinan model mereka sendiri dan membenarkan orang menjana dengannya, seperti PixAI, SeaArt dan Yodayo. Muat turun mereka dikira seperti Civitai dan setiap sesi penjanaan dikira sebagai satu muat turun.
Token OpenRouter: Model teks yang disediakan melalui API, seperti Claude atau GPT, tidak mempunyai berat untuk dimuat turun, jadi penggunaannya diukur dalam token: bahagian teks yang dibaca dan ditulis melalui OpenRouter, pintu masuk yang digunakan oleh banyak aplikasi, dalam 30 hari terakhir. Setiap 10,000,000 token dikira sebagai satu muat turun. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Berat itu sendiri, fail yang menjana secara sendiri. Ia mendapat bonus kerana add-on bergantung padanya.
LoRA dan embedding: Fail add-on kecil yang mengarahkan berat orang lain ke arah gaya, watak atau konsep. Ia tidak boleh dijalankan sendiri.
Keluarga dan berat: Asas yang model dibina, seperti SD 1.5, SDXL, Flux atau Wan. Setiap model mewarisi tarikh keluaran berat keluarganya.
Umur: Darjah yang ditolak berdasarkan berapa lama berat keluarga itu dikeluarkan: 150° setahun, sehingga 750°. Ia mengekalkan muat turun lama yang mempunyai masa bertahun-tahun untuk terkumpul dengan membekukan di bahagian atas senarai.
Peningkatan keluarga: Dorongan kecil dan terhad untuk LoRA dari keluarga yang laman ini sedang galakkan sekarang, sentiasa disenaraikan dalam pecahan.
Skor gantian: Nombor stabil di bawah paras yang diberikan kepada model yang belum ada laporan sumber, supaya senarai kekal lengkap. Ia tidak pernah mendahului model yang ada data.
Baru! (tempoh kelonggaran): Model yang berumur kurang dari 7 hari menunjukkan Baru! dan tidak mempunyai skor serta tidak menduduki tempat dalam kedudukan. Skornya dikira dari hari pertama, tetapi model yang berumur satu hari berkembang lebih cepat daripada apa pun, jadi tanpa menunggu, #1 minggu ini akan sentiasa menjadi apa sahaja yang keluar semalam dan bukan yang bertahan selama seminggu.
Trend: Bagaimana pertumbuhan model dalam tempoh tertentu dibandingkan dengan pertumbuhan model biasa dalam tempoh yang sama. Lebih cepat dari biasa bermaksud naik, lebih perlahan bermaksud turun.
Model biasa: Tengah katalog: separuh model dengan angka tumbuh lebih cepat dalam tempoh itu, separuh lagi lebih perlahan.

Bagaimana populariti model ini bergerak berbanding katalog lain: pertumbuhannya dalam muat turun, suka dan penggunaan setiap tempoh, diukur berbanding pertumbuhan model biasa dalam tempoh yang sama, dengan skor panasnya pada masa itu. Di atas pertumbuhan biasa dibaca sebagai kenaikan, di bawahnya sebagai penurunan. Masa lalu dibina semula dari jumlah hari ini, hari pertama model dan kelajuan muat turun yang diukur jika ada dua bacaan; model yang tidak wujud pada permulaan tempoh menunjukkan n/a.

Model serupa

Model AI untuk penjanaan imej, video dan teks

DeepSeek V3.2 ialah model teks untuk keluarga Text / LLM yang disenaraikan di ModelTrends.ai, katalog baca sahaja untuk model AI imej, video dan teks sumber terbuka. Bandingkannya dengan model Text / LLM lain dan semak skor habanya untuk melihat trendnya.

Lagi model Text / LLM Lagi Teks / LLM Text / LLM llm deepseek penalaran ejen matematik pengaturcaraan tempatan

Layari mengikut keluarga model