Adakah berat terbuka dan boleh saya jalankan secara tempatan?

Ya, berat ada di Hugging Face di deepseek-ai/DeepSeek-V3.2-Exp. DeepSeek menyediakan kod demo inferens serta imej Docker untuk SGLang pada perkakasan H200, MI350 dan NPU, tetapi pada 671B parameter anda memerlukan kapasiti multi-GPU besar.

Berapa kos dan berapa tetingkap konteks?

Melalui API ia berharga $0.27 per juta token input dan $0.41 per juta token output, dengan tetingkap konteks 163,840 token.

Bagaimana V3.2 Exp berbeza daripada V3.1?

Penambahan utama ialah DeepSeek Sparse Attention, perubahan seni bina yang bertujuan kecekapan konteks panjang dan bukan peningkatan ketepatan mentah; skor penanda aras kira-kira setara V3.1, jadi ini keluaran fokus infrastruktur, bukan lonjakan keupayaan.

DeepSeek V3.2 Exp

2803°

#llm #deepseek #penalaran #pengaturcaraan #ejen #konteks panjang

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 token 163,840 | $0.27/M input, $0.41/M output. DeepSeek-V3.2-Exp adalah model bahasa besar eksperimen yang dikeluarkan oleh DeepSeek sebagai langkah perantaraan antara V3.1 dan seni bina masa depan. Ia memperkenalkan DeepSeek Sparse Attention (DSA), mekanisme perhatian jarang halus yang direka untuk meningkatkan kecekapan latihan dan inferens dalam senario konteks panjang sambil mengekalkan kualiti output. Pengguna boleh mengawal tingkah laku penalaran dengan boolean reasoning enabled. Ketahui lebih lanjut dalam dokumen kamiOpens in new tab Model ini dilatih di bawah syarat…DeepSeek | konteks token 163,840 | $0.27/M input, $0.41/M output. DeepSeek-V3.2-Exp adalah model bahasa besar eksperimen yang dikeluarkan oleh DeepSeek sebagai langkah perantaraan antara V3.1 dan seni bina masa depan. Ia memperkenalkan DeepSeek Sparse Attention (DSA), mekanisme perhatian jarang halus yang direka untuk meningkatkan kecekapan latihan dan inferens dalam senario konteks panjang sambil mengekalkan kualiti output. Pengguna boleh mengawal tingkah laku penalaran dengan boolean reasoning enabled. Ketahui lebih lanjut dalam dokumen kamiOpens in new tab Model ini dilatih di bawah syarat yang selaras dengan V3.1-Terminus untuk membolehkan perbandingan langsung. Penanda aras menunjukkan prestasi lebih kurang setanding dengan V3.1 dalam tugasan penalaran, pengekodan, dan penggunaan alat agen, dengan pertukaran dan keuntungan kecil bergantung pada domain. Pelepasan ini memberi tumpuan kepada pengesahan pengoptimuman seni bina untuk panjang konteks yang dilanjutkan dan bukannya meningkatkan ketepatan tugasan mentah, menjadikannya model berorientasikan penyelidikan untuk meneroka reka bentuk transformer yang cekap.

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 Exp adalah keluaran eksperimen dari DeepSeek yang berada di antara V3.1 dan apa sahaja yang seterusnya, dibina terutamanya untuk mengesahkan mekanisme perhatian jarang baru yang dipanggil DeepSeek Sparse Attention (DSA). Prestasi kira-kira setara dengan V3.1 dalam penalaran, pengkodan dan tugasan agen. Ia sesuai untuk penyelidik dan pembangun yang mahu menguji inferens konteks panjang cekap, atau yang mahukan model kelas hadapan yang mampu dengan harga token rendah.

Dikenali untuk

DeepSeek Sparse Attention (DSA) meningkatkan kecekapan latihan dan inferens konteks panjang.
Prestasi setara V3.1 pada penanda aras penalaran, pengkodan dan agen.
Mod penalaran boleh dihidupkan/tutup memberi kawalan ke atas tingkah laku pemikiran.
Berat terbuka tersedia di Hugging Face; dijalankan melalui SGLang atau vLLM.
Harga output bawah $0.50/M menjadikannya jauh lebih murah daripada pesaing kelas hadapan lain.

Berhati-hati dengan

Ini keluaran pengesahan seni bina eksperimen, bukan peningkatan keupayaan umum berbanding V3.1.
Jalankan secara tempatan memerlukan perkakasan multi-GPU serius; skala 671B bukan model laptop.
Bug pelaksanaan RoPE menjejaskan kod inferens terdahulu; gunakan versi terkini dari repositori.

Terbaik untuk

Penalaran

Pengaturcaraan

Ejen dan penggunaan alat

Konteks panjang

Jalankan secara tempatan

Arahan untuk cuba

Masalah pengkodan kompetitif

Selesaikan masalah pengaturcaraan kompetitif ini dan terangkan pendekatan anda langkah demi langkah. Diberi satu tatasusunan n integer, cari panjang subtatasusunan terpanjang di mana jumlah elemennya boleh dibahagi dengan k. Kekangan: n sehingga 100,000, k sehingga 1,000, nilai antara -10^9 dan 10^9. Sediakan kod Python yang berfungsi dan analisis kerumitan masa.

Rancangan agen berbilang langkah

Anda merancang saluran penyelidikan automatik. Seorang pengguna mahu memantau set 20 suapan RSS akademik setiap hari, menyingkirkan kertas berganda berdasarkan kesamaan tajuk, menilai setiap kertas untuk kaitan dengan 'perhatian jarang dalam transformer', dan menghantar e-mel ringkasan berperingkat. Gariskan panggilan alat dan logik keputusan agen, langkah demi langkah, termasuk pengendalian ralat.

Teka-teki penalaran sukar

Lima jurutera masing-masing memiliki model AI berbeza, minum minuman berbeza, dan bekerja di bandar berbeza. Gunakan petunjuk ini untuk tentukan siapa pemilik model perhatian jarang: jurutera di Berlin minum espresso; pengguna vLLM berada tepat di kiri peminum espresso; jurutera yang minum teh hijau memiliki model MoE; jurutera di Tokyo tidak minum air; pemilik model perhatian jarang minum kopi. Tunjukkan rantai penalaran penuh anda.

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 boleh saya jalankan secara tempatan?: Ya, berat ada di Hugging Face di deepseek-ai/DeepSeek-V3.2-Exp. DeepSeek menyediakan kod demo inferens serta imej Docker untuk SGLang pada perkakasan H200, MI350 dan NPU, tetapi pada 671B parameter anda memerlukan kapasiti multi-GPU besar.
Berapa kos dan berapa tetingkap konteks?: Melalui API ia berharga $0.27 per juta token input dan $0.41 per juta token output, dengan tetingkap konteks 163,840 token.
Bagaimana V3.2 Exp berbeza daripada V3.1?: Penambahan utama ialah DeepSeek Sparse Attention, perubahan seni bina yang bertujuan kecekapan konteks panjang dan bukan peningkatan ketepatan mentah; skor penanda aras kira-kira setara V3.1, jadi ini keluaran fokus infrastruktur, bukan lonjakan keupayaan.

Keputusan Kapten
Tapak ujian seni bina tahap penyelidikan yang kebetulan berprestasi tahap hadapan dan hampir tiada kos untuk pertanyaan.

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

Not this creator?

Get your own badge

Bagaimana skor ini dijumlahkan

Model ini belum ada data populariti dari mana-mana sumber lagi, jadi ia membawa nombor gantian di bawah 7,000° yang memastikan senarai lengkap. Ia tidak pernah menduduki tempat lebih tinggi daripada model yang ada data. Pecahan muncul di sini sebaik sahaja sumber melaporkannya.

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.

Model serupa

DeepSeek V4 Flash 0423

Model AI untuk penjanaan imej, video dan teks

DeepSeek V3.2 Exp 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 pengaturcaraan ejen konteks panjang tempatan

Layari mengikut keluarga model