Indlæser kataloget…
Indlæser kataloget…
DeepSeeks MoE-model med åbne vægte, valgfri ræsonnering, et kontekstvindue på 164k tokens og stærk brug af værktøjer. Udgivet under MIT-licensen.
Oversigt. DeepSeek-V3.2 er en tekstmodel fra DeepSeek, udgivet i december 2025 under MIT-licensen. Det er en sparse Mixture-of-Experts-model med i alt 685 milliarder parametre, hvoraf cirka 37 milliarder er aktive per token. Den accepterer et kontekstvindue på op til 163.840 tokens og kan returnere op til 65.536 tokens. Én model dækker begge tilstande: den svarer direkte eller ræsonnerer først, når du vælger et ræsonneringsniveau.
Vigtigste styrker. - Stærk i benchmarks for agentisk arbejde og kodegenerering for en model med åbne vægte - Ræsonnering efter behov med ræsonneringsniveau, der kan tilpasses - Verktøjskald og struktureret uddata - Åbne vægte under MIT, så den samme model kan betjenes af flere leverandører
Anvendelsesområder. Brug den til agentisk arbejde og kodegenerering, hvor modellen skal foretage verktøjskald, returnere struktureret uddata eller arbejde sig igennem en opgave med mange trin. Den er også velegnet til analyse af lange dokumenter. Hvis en opgave ikke kræver bevidst ræsonnering, kan du sætte ræsonneringsniveauet til none for at forkorte svartiden og sænke forbruget på uddata.
Begrænsninger. Modellen accepterer kun tekst og har ingen inddata for billeder eller lyd. Ræsonnering tilføjer uddata-tokens og svartid, så et højere ræsonneringsniveau koster mere per forespørgsel. De ræsonneringsniveauer, som hvert endepunkt accepterer, kan variere.
Bemærkning om suverænitet. Modellen er udviklet af DeepSeek, som er baseret i Kina, og er udgivet med åbne vægte. Vægtene kan køre hvor som helst, så modelskaberen ser aldrig dine prompter. Hvor dine data behandles, og under hvilke vilkår for opbevaring og træning, afhænger af det endepunkt, der betjener forespørgslen, ikke af modellen.
| Inferensleverandør | Suverænitet | Kører i | Ind / ud per 1 mio. | Status | Fastgør |
|---|---|---|---|---|---|
| L0 | 0,67 / 2,01€+3 betingede priser | Online |
13 anvendelsesområder klassificeret af redaktøren. Noten forklarer hvorfor.
Understøttelse af verktøjskald er angivet som en kerneegenskab, hvilket gør den til et direkte valg til applikationsmønstre med funktionskald.
Et kontekstvindue på 163.840 tokens giver plads til meget lange dokumenter i én arbejdsgang, hvilket er en klar fordel til spørgsmål og svar i dokumenter sammenlignet med alternativer med mindre kontekst.
Vinduet på 163.840 tokens gør det muligt at sammenfatte mange kilder i én kontekst, understøttet af udvidet ræsonnering til analyse på tværs af dem.
Indbygget verktøjskald kombineret med udvidet ræsonnering og et vindue på 163.840 tokens er velegnet til orkestrering af flere værktøjer, selvom der endnu ikke findes publicerede agent-benchmarks for denne kladde.
Verktøjskald og udvidet ræsonnering er de relevante byggesten til agentiske kodningsløkker, men der er ikke registreret nogen SWE-evaluering, der bekræfter ydeevnen.
Tilstanden med udvidet ræsonnering understøtter planlægning med mange trin, men fraværet af benchmarks og dokumenterede styrker betyder, at påstanden om planlægningskvalitet ikke er verificeret.
Det store kontekstvindue kan håndtere opsummering af lange inddata, men posten har ingen kvalitetsbenchmark til at differentiere den fra lignende modeller.
Søgning i lang kontekst over store regelsæt understøttes godt, og status som model med åbne vægte tillader drift på egne maskiner, men kladden mangler dokumentation for kildehenvisning eller nøjagtighed.
Verktøjskald giver mulighed for skemabaseret uddata, selvom der ikke er registreret nogen benchmark for dataudtræk for denne variant.
Der er ikke angivet nogen billedforståelse, så modellen kan ikke udføre OCR på dokumentbilleder.
Der er ikke angivet nogen billedforståelse for denne variant, så billeder som inddata understøttes ikke.
Der er ikke angivet nogen egenskab for lyduddata, så modellen kan ikke generere tale.
Der er ikke angivet nogen egenskab for lydinddata, så modellen kan ikke behandle tale til taleradskillelse.
Tal fra eksterne kilder, ikke vores egne vurderinger. Percentiler er målt mod hele Stav-kataloget.
Beregnet ud fra aa-intelligence-index, gpqa-diamond, aa-engineering-index, aa-coding-index, livecodebench, terminal-bench-v4, ifbench, aa-multilingual-index, aa-lcr.
curl https://api.stav.ai/v1/chat/completions \
-H "Authorization: Bearer $STAV_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "deepseek-ai/deepseek-v3-2",
"reasoning_effort": "high",
"messages": [{"role": "user", "content": "Hello!"}]
}'→ X-Stav-Request-Id · X-Stav-Model · X-Stav-Provider → X-Stav-Sovereignty-Level — det niveau, forespørgslen blev betjent på