deepseek

DeepSeek: DeepSeek V3.2 Exp

deepseek/deepseek-v3.2-exp

Nossa análise

Análise com auxílio de IA baseada nas fontes abaixo. A adequação é uma avaliação editorial; teste com suas próprias tarefas.

DeepSeek-V3.2-Exp é um modelo experimental de texto para texto que a DeepSeek descreve como um passo intermediário entre o V3.1-Terminus e sua arquitetura de próxima geração. Sua principal novidade é o DeepSeek Sparse Attention, um mecanismo destinado a melhorar a eficiência de treinamento e inferência em contextos longos, mantendo qualidade de saída próxima à do V3.1-Terminus; o desenvolvedor relata paridade ampla nos benchmarks. O catálogo da OpenRouter indica uma janela de contexto de 163.840 tokens, além de chamadas de ferramentas, saídas estruturadas e controles opcionais de raciocínio. Os pesos são publicados sob licença MIT, com suporte documentado para vLLM e SGLang.[1][2]

Pontos fortes

O DeepSeek Sparse Attention foi projetado para tornar o treinamento e a inferência em contextos longos substancialmente mais eficientes, preservando qualidade de saída quase idêntica, segundo o desenvolvedor.[2]
O desenvolvedor relata desempenho equivalente ao V3.1-Terminus em benchmarks de raciocínio, codificação e uso agêntico de ferramentas.[2]
O catálogo da OpenRouter indica uma janela de contexto de 163.840 tokens, chamadas de ferramentas, saídas estruturadas e parâmetros de raciocínio configuráveis.[1]

Limitações

É uma versão explicitamente experimental, destinada a validar uma direção de pesquisa arquitetônica, portanto seu suporte e posicionamento de longo prazo são incertos.[2]
Uma versão anterior do código de demonstração continha uma discrepância na implementação do RoPE que podia degradar o desempenho; já foi corrigida, mas quem hospedar por conta própria deve usar o código atualizado.[2]
A evidência se limita à ficha do desenvolvedor e a um catálogo agregador, sem avaliações independentes; recomenda-se validar a qualidade real nas cargas de trabalho próprias.[1][2]

Onde usar

Aplicações de contexto longo, como análise de documentos extensos ou conversas de muitos turnos, em que o design de atenção esparsa pode reduzir custos de computação; vale testar em piloto dadas as alegações de eficiência.[1][2]
Fluxos de trabalho agênticos que dependem de chamadas de ferramentas e saídas estruturadas, que o catálogo lista como parâmetros compatíveis.[1]
Implantações auto-hospedadas para equipes que desejam pesos sob licença MIT, usando os caminhos documentados de vLLM, SGLang ou Hugging Face.[2]

Fontes

[1] OpenRouter catalog · DeepSeek: DeepSeek V3.2 ExpFontes consultadas: 13 de nov. de 2026
[2] Model documentation · DeepSeek: DeepSeek V3.2 ExpFontes consultadas: 13 de nov. de 2026

Sobre este modelo

A descrição abaixo é o texto original fornecido pelo OpenRouter, no idioma da fonte.

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...

Especificações

ID do modelo: deepseek/deepseek-v3.2-exp
Criador: deepseek
Adicionado ao OpenRouter: 29.09.2025
Comprimento de contexto: 163,840
Modalidade: text->text
Modalidades de entrada: text
Modalidades de saída: text
Preço por token: USD por 1M de tokens: entrada $0.270 / saída $0.410
Corte de conhecimento: 31.07.2025
Data de expiração: —

Tarefas e capacidades

Uma nota aparece apenas quando a fonte fornece uma medição correspondente para aquela tarefa, o modelo está ativo e a coorte tem pelo menos 10 modelos comparáveis. A coluna de capacidade lista fatos declarados pela fonte — formatos compatíveis, raciocínio e parâmetros de ferramentas — que não são qualidade medida.

Tarefa	Nota	Capacidade declarada pela fonte
Qualidade geral	Sem medição	raciocínio: opcional · parâmetros: include_reasoning, reasoning
Programação	Sem medição	—
Agentes	Sem medição	parâmetros: structured_outputs, tool_choice, tools
Escrita	Sem medição	saída: text
Raciocínio	Sem medição	raciocínio: opcional · parâmetros: include_reasoning, reasoning
Análise de documentos	Sem medição	—
Visão	Sem medição	—
Geração de imagens	Sem medição	—
Áudio	Sem medição	—
Vídeo	Sem medição	—
Embeddings	Sem medição	—

Avaliações

Fonte	Benchmark	Valor	Nota	Dados obtidos
Design Arena	models · 3dtaxa de vitória 56.4% · posição 77	1,131Elo	BB — próximos 30% da coorte	13.11.2026
Design Arena	models · codecategoriestaxa de vitória 54.2% · posição 78	1,161Elo	BB — próximos 30% da coorte	13.11.2026
Design Arena	models · dataviztaxa de vitória 50.6% · posição 83	1,150Elo	CC — abaixo da faixa B	13.11.2026
Design Arena	models · gamedevtaxa de vitória 53% · posição 80	1,135Elo	CC — abaixo da faixa B	13.11.2026
Design Arena	models · svgtaxa de vitória 42% · posição 87	1,023Elo	CC — abaixo da faixa B	13.11.2026
Design Arena	models · uicomponenttaxa de vitória 53.3% · posição 77	1,159Elo	CC — abaixo da faixa B	13.11.2026
Design Arena	models · websitetaxa de vitória 54.3% · posição 81	1,172Elo	BB — próximos 30% da coorte	13.11.2026

Como funcionam as notas

Cada nota compara um modelo apenas com outros modelos avaliados pela mesma fonte e métrica no snapshot atual. S é o top 10%, A os 20% seguintes, B os 30% seguintes e C o restante. Modelos sem medição publicada aparecem como não avaliados — um formato compatível nunca implica qualidade medida.

S — S — top 10% da coorte
A — A — próximos 20% da coorte
B — B — próximos 30% da coorte
C — C — abaixo da faixa B

Provedores

Estatísticas opcionais de provedores ao vivo do OpenRouter. Valores ausentes são desconhecidos, não zero.

Provedor	Comprimento de contexto	Preço entrada /1M	Preço saída /1M	Latência p50 (30m, s)	Taxa p50 (30m, tok/s)	Disponibilidade (30m)
SiliconFlowfp8	163,840	$0.270	$0.410	—	—	100%

Dados de provedores obtidos: 13.11.2026

Nenhum artigo publicado identifica este modelo ainda.