Unlock exclusive introductory pricing for the newly launched Gemini 3.5 Flash.
D

DeepSeek-V3.2

Masukan:$0.216/M
Keluaran:$0.3456/M
Konteks:128K
Keluaran Maksimum:4K
Dirilis:Dec 3, 2025

DeepSeek v3.2 adalah rilis produksi terbaru dalam keluarga DeepSeek V3: sebuah keluarga model bahasa berskala besar dengan bobot terbuka yang mengutamakan penalaran, dirancang untuk pemahaman konteks panjang, penggunaan agen/alat yang andal, penalaran tingkat lanjut, serta pemrograman dan matematika.

Baru
Populer
Penggunaan komersial

Playground untuk DeepSeek-V3.2

Jelajahi Playground DeepSeek-V3.2 โ€” lingkungan interaktif untuk menguji model dan menjalankan kueri secara real-time. Coba prompt, sesuaikan parameter, dan iterasi secara instan untuk mempercepat pengembangan dan memvalidasi kasus penggunaan.

Apa itu DeepSeek v3.2?

DeepSeek v3.2 adalah rilis produksi terbaru dalam keluarga DeepSeek V3: keluarga model bahasa open-weight berskala besar yang berorientasi penalaran, dirancang untuk pemahaman konteks panjang, penggunaan agen/alat yang tangguh, penalaran lanjutan, pengodean, dan matematika. Rilis ini mencakup beberapa varian (V3.2 produksi dan V3.2-Speciale berperforma tinggi). Proyek ini menekankan inferensi konteks panjang yang hemat biaya melalui mekanisme atensi jarang baru bernama DeepSeek Sparse Attention (DSA) serta alur kerja agen/โ€œthinkingโ€ (โ€œThinking in Tool-Useโ€).

Fitur utama (tingkat tinggi)

  • DeepSeek Sparse Attention (DSA): mekanisme atensi jarang yang dimaksudkan untuk secara drastis mengurangi komputasi dalam skenario konteks panjang sambil mempertahankan penalaran jarak jauh. (Klaim riset inti; digunakan dalam V3.2-Exp.)
  • Pemikiran agentik + integrasi penggunaan alat: V3.2 menekankan penyematan โ€œthinkingโ€ ke dalam penggunaan alat: model dapat beroperasi dalam mode penalaran/pemikiran dan dalam mode non-thinking (normal) saat memanggil alat, sehingga meningkatkan pengambilan keputusan pada tugas bertahap dan orkestrasi alat.
  • Pipeline sintesis data agen skala besar: DeepSeek melaporkan korpus pelatihan dan pipeline sintesis agen yang mencakup ribuan lingkungan dan puluhan ribu instruksi kompleks untuk meningkatkan ketangguhan pada tugas interaktif.
  • DeepSeek Sparse Attention (DSA): DSA adalah metode atensi jarang berbutir halus yang diperkenalkan di lini V3.2 (pertama di V3.2-Exp) yang mengurangi kompleksitas atensi (dari O(Lยฒ) naif menjadi gaya O(Lยทk) dengan k โ‰ช L), dengan memilih himpunan token key/value yang lebih kecil per token query. Hasilnya adalah penggunaan memori/komputasi yang jauh lebih rendah untuk konteks sangat panjang (128K), membuat inferensi konteks panjang jauh lebih murah.
  • Backbone Mixture-of-Experts (MoE) dan Multi-head Latent Attention (MLA): Keluarga V3 menggunakan MoE untuk meningkatkan kapasitas secara efisien (jumlah parameter nominal besar dengan aktivasi per-token terbatas) bersama metode MLA untuk menjaga kualitas dan mengendalikan komputasi.

Spesifikasi teknis (ringkas)

  • Rentang parameter nominal: ~671B โ€“ 685B (tergantung varian).
  • Jendela konteks (rujukan terdokumentasi): 128.000 token (128K) dalam konfigurasi vLLM/referensi.
  • Atensi: DeepSeek Sparse Attention (DSA) + MLA; kompleksitas atensi berkurang untuk konteks panjang.
  • Presisi numerik & pelatihan: BF16 / F32 dan format kuantisasi terkompresi (F8_E4M3 dll.) tersedia untuk distribusi.
  • Keluarga arsitektur: backbone MoE (mixture-of-experts) dengan ekonomi aktivasi per-token.
  • Masukan / keluaran: masukan teks yang ditokenisasi standar (format chat/pesan didukung); mendukung pemanggilan alat (primitif API penggunaan alat) dan panggilan interaktif bergaya chat serta completion terprogram melalui API.
  • Varian yang ditawarkan: v3.2, v3.2-Exp (eksperimental, debut DSA), v3.2-Speciale (berorientasi penalaran, hanya API untuk jangka pendek).

Kinerja benchmark

V3.2-Speciale berdaya komputasi tinggi mencapai paritas atau melampaui model kelas atas kontemporer pada beberapa benchmark penalaran/matematika/pengodean, dan meraih nilai tingkat atas pada kumpulan soal matematika elit tertentu. Pracetak menyoroti paritas dengan model seperti GPT-5 / Kimi K2 pada benchmark penalaran terpilih, peningkatan spesifik dibanding baseline DeepSeek R1/V3 sebelumnya:

  • AIME: meningkat dari 70.0 menjadi 87.5 (ฮ” +17.5).
  • GPQA: 71.5 โ†’ 81.0 (ฮ” +9.5).
  • LCB_v6: 63.5 โ†’ 73.3 (ฮ” +9.8).
  • Aider: 57.0 โ†’ 71.6 (ฮ” +14.6).

Perbandingan dengan model lain (tingkat tinggi)

  • Vs GPT-5 / Gemini 3 Pro (klaim publik): Para penulis DeepSeek dan sejumlah media mengklaim paritas atau superioritas pada tugas penalaran dan pengodean tertentu untuk varian Speciale, sambil menekankan efisiensi biaya dan lisensi terbuka sebagai pembedanya.
  • Vs model terbuka (Olmo, Nemotron, Moonshot, dll.): DeepSeek menyoroti pelatihan agentik dan DSA sebagai pembeda kunci untuk efisiensi konteks panjang.

Kasus penggunaan representatif

  • Sistem agentik / orkestrasi: agen multi-alat (API, web scraper, konektor eksekusi kode) yang mendapat manfaat dari โ€œthinkingโ€ di tingkat model + primitif pemanggilan alat yang eksplisit.
  • Penalaran/analisis dokumen panjang: dokumen hukum, korpora riset besar, transkrip rapat โ€” varian konteks panjang (128k token) memungkinkan Anda mempertahankan konteks sangat besar dalam satu panggilan.
  • Bantuan matematika & pengodean kompleks: V3.2-Speciale dipromosikan untuk penalaran matematika tingkat lanjut dan tugas debugging kode ekstensif menurut benchmark vendor.
  • Penerapan produksi peka biaya: DSA + perubahan harga bertujuan menurunkan biaya inferensi untuk beban kerja berkonteks tinggi.

Cara memulai menggunakan API DeepSeek v3.2

Harga API DeepSeek v3.2 di CometAPI, diskon 20% dari harga resmi:

Token Masukan$0.22
Token Keluaran$0.35

Langkah yang diperlukan

  • Masuk ke cometapi.com. Jika Anda belum menjadi pengguna kami, silakan daftar terlebih dahulu
  • Dapatkan kunci API kredensial akses antarmuka. Klik โ€œAdd Tokenโ€ pada API token di pusat pribadi, dapatkan kunci token: sk-xxxxx dan kirimkan.
  • Dapatkan URL situs ini: https://api.cometapi.com/

Metode penggunaan

  1. Pilih endpoint โ€œdeepseek-v3.2โ€ untuk mengirim permintaan API dan atur body permintaan. Metode permintaan dan body permintaan diperoleh dari dok API situs kami. Situs kami juga menyediakan pengujian Apifox untuk kenyamanan Anda.
  2. Ganti <YOUR_API_KEY> dengan kunci CometAPI Anda yang sebenarnya dari akun Anda.
  3. Pilih format Chat: Masukkan pertanyaan atau permintaan Anda ke bidang contentโ€”itulah yang akan direspons oleh model.
  4. .Proses respons API untuk mendapatkan jawaban yang dihasilkan.

Harga untuk DeepSeek-V3.2

Jelajahi harga kompetitif untuk DeepSeek-V3.2, dirancang untuk berbagai anggaran dan kebutuhan penggunaan. Paket fleksibel kami memastikan Anda hanya membayar untuk apa yang Anda gunakan, memudahkan untuk meningkatkan skala seiring berkembangnya kebutuhan Anda. Temukan bagaimana DeepSeek-V3.2 dapat meningkatkan proyek Anda sambil menjaga biaya tetap terkendali.

ModelComet Price (USD / M Tokens)Official Price (USD / M Tokens)Discount
deepseek-v3.2
Masukan:$0.216/M
Keluaran:$0.3456/M
Masukan:$0.27/M
Keluaran:$0.432/M
-20%
deepseek-v3.2-exp
Masukan:$0.216/M
Keluaran:$0.3456/M
Masukan:$0.27/M
Keluaran:$0.432/M
-20%

Kode contoh dan API untuk DeepSeek-V3.2

Akses kode sampel komprehensif dan sumber daya API untuk DeepSeek-V3.2 guna mempermudah proses integrasi Anda. Dokumentasi terperinci kami menyediakan panduan langkah demi langkah, membantu Anda memanfaatkan potensi penuh DeepSeek-V3.2 dalam proyek Anda.

curl https://api.cometapi.com/v1/chat/completions \
     --header "Authorization: Bearer $COMETAPI_KEY" \
     --header "content-type: application/json" \
     --data \
'{
    "model": "deepseek-v3.2-exp",
    "messages": [
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Hello!"}
    ]
}'

cURL Code Example

curl https://api.cometapi.com/v1/chat/completions \
     --header "Authorization: Bearer $COMETAPI_KEY" \
     --header "content-type: application/json" \
     --data \
'{
    "model": "deepseek-v3.2-exp",
    "messages": [
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Hello!"}
    ]
}'

Python Code Example

from openai import OpenAI
import os

# Get your CometAPI key from https://api.cometapi.com/console/token, and paste it here
COMETAPI_KEY = os.environ.get("COMETAPI_KEY") or "<YOUR_COMETAPI_KEY>"
BASE_URL = "https://api.cometapi.com/v1"

client = OpenAI(base_url=BASE_URL, api_key=COMETAPI_KEY)

completion = client.chat.completions.create(
    model="deepseek-v3.2-exp",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Hello!"},
    ],
)

print(completion.choices[0].message.content)

JavaScript Code Example

import OpenAI from "openai";

// Get your CometAPI key from https://api.cometapi.com/console/token, and paste it here
const api_key = process.env.COMETAPI_KEY;
const base_url = "https://api.cometapi.com/v1";

const openai = new OpenAI({
  apiKey: api_key,
  baseURL: base_url,
});

const completion = await openai.chat.completions.create({
  model: "deepseek-v3.2-exp",
  messages: [
    { role: "system", content: "You are a helpful assistant." },
    { role: "user", content: "Hello!" },
  ],
});

console.log(completion.choices[0].message.content);

Uptime

Tingkat keberhasilan permintaan selama 30 hari terakhir, mencerminkan keandalan setiap penyedia model. CometAPI memantau semua penyedia yang terhubung secara real-time, 24/7.

RespondLIVE
2234msAvg. Response
UptimeLIVE
100.0%Avg. Uptime

Versi DeepSeek-V3.2

Alasan DeepSeek-V3.2 memiliki beberapa _snapshot_ mungkin mencakup faktor-faktor potensial seperti variasi keluaran setelah pembaruan yang memerlukan _snapshot_ lama untuk konsistensi, memberikan masa transisi bagi pengembang untuk beradaptasi dan bermigrasi, serta _snapshot_ berbeda yang sesuai dengan _endpoint_ global atau regional untuk mengoptimalkan pengalaman pengguna. Untuk perbedaan detail antar versi, silakan merujuk ke dokumentasi resmi.

deepseek-v3.2
DeepSeek-V3.2-Exp-nothinking
DeepSeek-V3.2-Exp-thinking