deepseek
DeepSeek: DeepSeek V3.2 Exp
deepseek/deepseek-v3.2-exp
Nuestro análisis
Análisis asistido por IA basado en las fuentes siguientes. La idoneidad es una valoración editorial; compruébala con tus propias tareas.
DeepSeek-V3.2-Exp es un modelo experimental de texto a texto que DeepSeek describe como un paso intermedio entre V3.1-Terminus y su arquitectura de próxima generación. Su principal novedad es DeepSeek Sparse Attention, un mecanismo destinado a mejorar la eficiencia del entrenamiento y la inferencia en contextos largos manteniendo una calidad de salida cercana a la de V3.1-Terminus; el desarrollador reporta paridad general en los benchmarks. El catálogo de OpenRouter indica una ventana de contexto de 163.840 tokens, además de llamadas a herramientas, salidas estructuradas y controles de razonamiento opcionales. Los pesos se publican bajo licencia MIT, con soporte documentado para vLLM y SGLang.[1][2]
Puntos fuertes
- DeepSeek Sparse Attention está diseñado para hacer el entrenamiento y la inferencia en contextos largos sustancialmente más eficientes preservando una calidad de salida casi idéntica, según el desarrollador.[2]
- El desarrollador reporta un rendimiento a la par de V3.1-Terminus en benchmarks de razonamiento, codificación y uso agéntico de herramientas.[2]
- El catálogo de OpenRouter indica una ventana de contexto de 163.840 tokens, llamadas a herramientas, salidas estructuradas y parámetros de razonamiento configurables.[1]
Limitaciones
- Es una versión explícitamente experimental destinada a validar una línea de investigación arquitectónica, por lo que su soporte y posicionamiento a largo plazo son inciertos.[2]
- Una versión anterior del código de demostración contenía una discrepancia en la implementación de RoPE que podía degradar el rendimiento; ya está corregida, pero quienes lo alojen por cuenta propia deben usar el código actualizado.[2]
- La evidencia se limita a la ficha del desarrollador y a un catálogo agregador sin evaluaciones independientes, por lo que conviene validar la calidad real con las cargas de trabajo propias.[1][2]
Dónde utilizarlo
- Aplicaciones de contexto largo, como el análisis de documentos extensos o conversaciones de muchos turnos, donde el diseño de atención dispersa podría reducir costos de cómputo; conviene pilotearlo dadas las promesas de eficiencia.[1][2]
- Flujos de trabajo agénticos que dependen de llamadas a herramientas y salidas estructuradas, que el catálogo lista como parámetros compatibles.[1]
- Despliegues autoalojados para equipos que buscan pesos con licencia MIT, usando las rutas documentadas de vLLM, SGLang o Hugging Face.[2]
Fuentes
- [1] OpenRouter catalog · DeepSeek: DeepSeek V3.2 ExpFuentes consultadas: 13 nov 2026
- [2] Model documentation · DeepSeek: DeepSeek V3.2 ExpFuentes consultadas: 13 nov 2026
Sobre este modelo
La descripción siguiente es el texto original aportado por OpenRouter, en el idioma de la fuente.
DeepSeek-V3.2-Exp is an experimental large language model released by DeepSeek as an intermediate step between V3.1 and future architectures. It introduces DeepSeek Sparse Attention (DSA), a fine-grained sparse attention mechanism...
Especificaciones
- ID del modelo
- deepseek/deepseek-v3.2-exp
- Creador
- deepseek
- Añadido a OpenRouter
- 29.09.2025
- Longitud de contexto
- 163,840
- Modalidad
- text->text
- Modalidades de entrada
- text
- Modalidades de salida
- text
- Precio por token
- USD por 1M de tokens: entrada $0.270 / salida $0.410
- Corte de conocimiento
- 31.07.2025
- Fecha de expiración
- —
Tareas y capacidades
Una nota aparece solo cuando la fuente aporta una medición correspondiente para esa tarea, el modelo está activo y la cohorte tiene al menos 10 modelos comparables. La columna de capacidad muestra hechos declarados por la fuente — formatos compatibles, razonamiento y parámetros de herramientas — que no son calidad medida.
| Tarea | Nota | Capacidad declarada por la fuente |
|---|---|---|
| Calidad general | Sin medición | razonamiento: opcional · parámetros: include_reasoning, reasoning |
| Programación | Sin medición | — |
| Agentes | Sin medición | parámetros: structured_outputs, tool_choice, tools |
| Escritura | Sin medición | salida: text |
| Razonamiento | Sin medición | razonamiento: opcional · parámetros: include_reasoning, reasoning |
| Análisis de documentos | Sin medición | — |
| Visión | Sin medición | — |
| Generación de imágenes | Sin medición | — |
| Audio | Sin medición | — |
| Vídeo | Sin medición | — |
| Embeddings | Sin medición | — |
Evaluaciones
| Fuente | Benchmark | Valor | Nota | Datos obtenidos |
|---|---|---|---|---|
| Design Arena | models · 3dtasa de victoria 56.4% · posición 77 | 1,131Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · codecategoriestasa de victoria 54.2% · posición 78 | 1,161Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · dataviztasa de victoria 50.6% · posición 83 | 1,150Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · gamedevtasa de victoria 53% · posición 80 | 1,135Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · svgtasa de victoria 42% · posición 87 | 1,023Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · uicomponenttasa de victoria 53.3% · posición 77 | 1,159Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · websitetasa de victoria 54.3% · posición 81 | 1,172Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
Cómo funcionan las notas
Cada nota compara un modelo solo con otros modelos evaluados por la misma fuente y métrica en la instantánea actual. S es el 10% superior, A el siguiente 20%, B el siguiente 30% y C el resto. Los modelos sin medición publicada aparecen como no evaluados: un formato compatible nunca implica calidad medida.
- S — S — 10% superior de la cohorte
- A — A — siguiente 20% de la cohorte
- B — B — siguiente 30% de la cohorte
- C — C — por debajo de la franja B
Proveedores
Estadísticas opcionales de proveedores en vivo desde OpenRouter. Los valores ausentes son desconocidos, no cero.
| Proveedor | Longitud de contexto | Precio entrada /1M | Precio salida /1M | Latencia p50 (30m, s) | Rendimiento p50 (30m, tok/s) | Disponibilidad (30m) |
|---|---|---|---|---|---|---|
| SiliconFlowfp8 | 163,840 | $0.270 | $0.410 | — | — | 100% |
Datos de proveedores obtenidos: 13.11.2026
Artículos relacionados
Ningún artículo publicado identifica aún este modelo.