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

DeepSeek-V3.2

Inndata:$0.216/M
Utdata:$0.3456/M
Kontekst:128K
Maks utdata:4K
Utgitt:Dec 3, 2025

DeepSeek v3.2 er den nyeste produksjonsversjonen i DeepSeek V3-familien: en stor, resonneringsdrevet språkmodellfamilie med åpne vekter, utformet for forståelse av lange kontekster, robust bruk av agenter og verktøy, avansert resonnement, koding og matematikk.

Ny
Populær
Kommersiell bruk

Playground for DeepSeek-V3.2

Utforsk DeepSeek-V3.2's Playground — et interaktivt miljø for å teste modeller og kjøre spørringer i sanntid. Prøv prompts, juster parametere og iterer umiddelbart for å akselerere utvikling og validere brukstilfeller.

Hva er DeepSeek v3.2?

DeepSeek v3.2 er den nyeste produksjonsutgaven i DeepSeek-V3-familien: en stor, resonneringsfokusert åpenvekt-modellfamilie designet for langkontekstforståelse, robust agent-/verktøybruk, avansert resonnering, koding og matematikk. Utgivelsen inkluderer flere varianter (produksjonsklar V3.2 og en høyytelses V3.2-Speciale). Prosjektet vektlegger kostnadseffektiv inferens for lange kontekster gjennom en ny sparsom oppmerksomhetsmekanisme kalt DeepSeek Sparse Attention (DSA) og agent-/«tenke»-arbeidsflyter («Thinking in Tool-Use»).

Hovedfunksjoner (overordnet nivå)

  • DeepSeek Sparse Attention (DSA): en sparsom oppmerksomhetsmekanisme ment å dramatisk redusere beregningskostnader i langkontekst-scenarier samtidig som langtrekkende resonnering bevares. (Kjernepåstand i forskningen; brukt i V3.2-Exp.)
  • Agentisk tenkning + verktøybruk-integrasjon: V3.2 vektlegger å innbygge «tenkning» i verktøybruk: modellen kan operere i resonnerings-/tenkemoduser og i ikke-tenkemoduser (normale) ved verktøykall, noe som forbedrer beslutningstaking i flertrinnsoppgaver og verktøyorkestrering.
  • Storskala agentdatasyntese-pipeline: DeepSeek rapporterer et treningskorpus og en agent-syntesepipeline som spenner over tusenvis av miljøer og titusenvis av komplekse instruksjoner for å forbedre robusthet i interaktive oppgaver.
  • DeepSeek Sparse Attention (DSA): DSA er en finmasket sparsom oppmerksomhetsmetode introdusert i V3.2-linjen (først i V3.2-Exp) som reduserer oppmerksomhetskompleksitet (fra naiv O(L²) til en O(L·k)-stil med k ≪ L), ved å velge et mindre sett med nøkkel-/verditokener per spørringstoken. Resultatet er vesentlig lavere minne-/beregning for svært lange kontekster (128K), noe som gjør langkontekst-inferens materielt billigere.
  • Mixture-of-Experts (MoE)-ryggrad og Multi-head Latent Attention (MLA): V3-familien bruker MoE for å øke kapasitet effektivt (store nominelle parametertall med begrenset per-token-aktivering) sammen med MLA-metoder for å opprettholde kvalitet og kontrollere beregning.

Tekniske spesifikasjoner (kortfattet tabell)

  • Nominelt parameterområde: ~671B–685B (avhengig av variant).
  • Kontekstvindu (dokumentert referanse): 128 000 tokens (128K) i vLLM/referansekonfigurasjoner.
  • Oppmerksomhet: DeepSeek Sparse Attention (DSA) + MLA; redusert oppmerksomhetskompleksitet for lange kontekster.
  • Numerisk og treningspresisjon: BF16/F32 og komprimerte kvantiserte formater (F8_E4M3 osv.) tilgjengelig for distribusjon.
  • Arkitekturfamilie: MoE (mixture-of-experts)-ryggrad med per-token aktiveringsøkonomi.
  • Inndata/utdata: standard tokenisert tekstinndata (chat-/meldingsformater støttes); støtter verktøykall (API-primitiver for verktøybruk) samt både interaktive chat-stilkall og programatiske fullføringer via API.
  • Tilbudte varianter: v3.2, v3.2-Exp (eksperimentell, DSA-debut), v3.2-Speciale (resonneringsfokus, kun API på kort sikt).

Ytelse på benchmarks

Høyytelsesvarianten V3.2-Speciale oppnår paritet med eller overgår samtidige toppmodeller på flere resonnerings-/matte-/kode-benchmarks, og oppnår toppresultater på utvalgte elite-matteoppgavesett. Preprinten fremhever paritet med modeller som GPT-5/Kimi K2 på utvalgte resonneringsbenchmarker, spesifikke forbedringer sammenlignet med tidligere DeepSeek R1/V3-baselines:

  • AIME: forbedret fra 70.0 til 87.5 (Δ +17.5).
  • GPQA: 71.5 → 81.0 (Δ +9.5).
  • LCB_v6: 63.5 → 73.3 (Δ +9.8).
  • Aider: 57.0 → 71.6 (Δ +14.6).

Sammenligning med andre modeller (overordnet nivå)

  • Vs GPT-5 / Gemini 3 Pro (offentlige påstander): DeepSeek-forfattere og flere pressekanaler hevder paritet eller overlegenhet på utvalgte resonnerings- og kodingsoppgaver for Speciale-varianten, samtidig som kostnadseffektivitet og åpen lisensiering fremheves som differensiatorer.
  • Vs åpne modeller (Olmo, Nemotron, Moonshot, osv.): DeepSeek fremhever agentisk trening og DSA som nøkkeldifferensiatorer for langkonteksteffektivitet.

Representative bruksområder

  • Agentiske systemer/orkestrering: multi-verktøy-agenter (API-er, webskrapere, kodekjøringskoblinger) som drar nytte av modellnivå «tenkning» + eksplisitte verktøykall-primitiver.
  • Resonnering/analyse av lange dokumenter: juridiske dokumenter, store forskningskorpora, møtereferater — langkontekst-varianter (128k tokens) lar deg beholde svært store kontekster i ett enkelt kall.
  • Kompleks matte- og kodeassistanse: V3.2-Speciale markedsføres for avansert matematisk resonnering og omfattende kodefeilsøking i henhold til leverandørens benchmarks.
  • Kostnadssensitive produksjonsutrullinger: DSA + prisendringer har som mål å redusere inferenskostnader for arbeidslaster med høy kontekstmengde.

Slik kommer du i gang med å bruke DeepSeek v3.2 API

DeepSeek v3.2 API-priser i CometAPI, 20 % rabatt i forhold til offisiell pris:

Inndata-tokens$0.22
Utdata-tokens$0.35

Nødvendige trinn

  • Logg inn på cometapi.com. Hvis du ikke er bruker ennå, registrer deg først
  • Hent tilgangslegitimasjonen API-nøkkel for grensesnittet. Klikk «Add Token» ved API token i personlig senter, hent token-nøkkelen: sk-xxxxx og send inn.
  • Hent URL-adressen til dette nettstedet: https://api.cometapi.com/

Bruksmåte

  1. Velg endepunktet «deepseek-v3.2» for å sende API-forespørselen og sett forespørselens body. Forespørselsmetode og forespørselsbody hentes fra API-dokumentasjonen på nettstedet vårt. Nettstedet vårt tilbyr også Apifox-test for enkelhets skyld.
  2. Erstatt <YOUR_API_KEY> med din faktiske CometAPI-nøkkel fra kontoen din.
  3. Velg Chat-format: Sett inn spørsmålet eller forespørselen din i feltet content—det er dette modellen vil svare på.
  4. Behandle API-responsen for å hente det genererte svaret.

Priser for DeepSeek-V3.2

Utforsk konkurransedyktige priser for DeepSeek-V3.2, designet for å passe ulike budsjetter og bruksbehov. Våre fleksible planer sikrer at du bare betaler for det du bruker, noe som gjør det enkelt å skalere etter hvert som kravene dine vokser. Oppdag hvordan DeepSeek-V3.2 kan forbedre prosjektene dine samtidig som kostnadene holdes håndterbare.

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

Eksempelkode og API for DeepSeek-V3.2

Få tilgang til omfattende eksempelkode og API-ressurser for DeepSeek-V3.2 for å effektivisere integreringsprosessen din. Vår detaljerte dokumentasjon gir trinn-for-trinn-veiledning som hjelper deg med å utnytte det fulle potensialet til DeepSeek-V3.2 i prosjektene dine.

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

Forespørselssuccessrate over de siste 30 dagene, som gjenspeiler påliteligheten til hver modellleverandør. CometAPI overvåker alle tilkoblede leverandører i sanntid, 24/7.

RespondLIVE
2234msAvg. Response
UptimeLIVE
100.0%Avg. Uptime

Versjoner av DeepSeek-V3.2

Grunnen til at DeepSeek-V3.2 har flere øyeblikksbilder kan inkludere potensielle faktorer som variasjoner i utdata etter oppdateringer som krever eldre øyeblikksbilder for konsistens, å gi utviklere en overgangsperiode for tilpasning og migrering, og ulike øyeblikksbilder som tilsvarer globale eller regionale endepunkter for å optimalisere brukeropplevelsen. For detaljerte forskjeller mellom versjoner, vennligst se den offisielle dokumentasjonen.

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