DeepSeek hat gerade DeepSeek-V3.2-Exp veröffentlicht, ein experimentelles Modell, das eine der größten Herausforderungen der KI löst: die effiziente und kostengünstige Verarbeitung langer Dokumente.
Aufbauend auf DeepSeek-V3.1-Terminus führt dieses neue Modell die DeepSeek Sparse Attention (DSA) ein – eine bahnbrechende Technologie, die den Preis für Long-Context-Szenarien halbiert und eine deutliche Geschwindigkeitssteigerung bietet.
Bei Novita AI bringen wir dieses hochmoderne Modell über unsere einfach zu nutzende API-Plattform zu Entwicklern. Egal, ob du Dokumentenanalyse-Tools, Code-Assistenten oder Chatbots entwickelst, die sich an ganze Gespräche erinnern müssen – DeepSeek-V3.2-Exp bietet dir die Effizienz und Kosteneinsparungen, die du brauchst, ohne Qualitätseinbußen.
Was macht DeepSeek-V3.2-Exp besonders?
DeepSeek-V3.2-Exp ist ein experimentelles KI-Modell, das lange Dokumente und Gespräche effizienter verarbeitet als herkömmliche Modelle.
Das „Exp“ steht für experimentell – DeepSeek testet einen neuen Ansatz, um zu sehen, wie gut er in realen Anwendungen funktioniert.
Das Problem, das es löst
Herkömmliche KI-Modelle werden bei der Verarbeitung langer Texte deutlich langsamer.
Das Lesen eines 100-seitigen Dokuments oder die Führung eines langen Gesprächs wird teuer und zeitaufwändig. Das liegt daran, dass Standardmodelle jedes einzelne Wort in Bezug auf jedes andere Wort verarbeiten müssen – je länger der Text, desto mehr Berechnungen sind erforderlich.
Die Lösung: Sparse Attention
DeepSeek-V3.2-Exp führt die DeepSeek Sparse Attention (DSA) ein, die wie ein intelligenter Filter funktioniert.
Statt jedes Wort mit jedem anderen Wort zu analysieren, identifiziert und konzentriert sich das Modell nur auf die relevantesten Teile. Man kann es sich wie Schnelllesen vorstellen: Du liest nicht jedes Wort mit gleicher Aufmerksamkeit – du konzentrierst dich auf das, was am wichtigsten ist.
Hauptmerkmale
- Kontextlänge: Verarbeitet bis zu 128.000 Token (ca. 96.000 Wörter oder mehr als 300 Seiten)
- Halber Preis: 50 % niedrigere Kosten im Vergleich zu DeepSeek-V3.1-Terminus bei der Long-Context-Verarbeitung
- Deutliche Geschwindigkeitssteigerung: Dramatische Effizienzverbesserungen sowohl beim Training als auch bei der Inferenz, insbesondere in Long-Context-Szenarien
- Architektur: Basiert auf DeepSeek-V3.1-Terminus mit der Ergänzung der DeepSeek Sparse Attention
- Gleiche Qualität: Bietet eine vergleichbare Leistung wie DeepSeek-V3.1-Terminus
Das Modell baut auf der bewährten Grundlage von DeepSeek-V3.1-Terminus auf, die bereits eine Kontextlänge von 128K unterstützte, und fügt durch weiteres Training diese intelligente Effizienzschicht hinzu.
Kosteneffizienz-Durchbruch
DeepSeek Sparse Attention (DSA) reduziert die Kern-Attentions-Komplexität von O(L²) auf O(Lk), wobei k die Anzahl der ausgewählten Token ist (viel kleiner als L).
Obwohl der Lightning-Indexer immer noch eine O(L²)-Komplexität hat, erfordert er viel weniger Berechnungen im Vergleich zum Haupt-Attentionsmechanismus. Kombiniert mit einer optimierten Implementierung erreicht DSA eine deutliche End-to-End-Geschwindigkeitssteigerung in Long-Context-Szenarien.
DeepSeek hat DeepSeek-V3.1-Terminus und DeepSeek-V3.2-Exp auf einem tatsächlich eingesetzten Dienst auf H800-GPUs bei einem Mietpreis von 2 USD pro GPU-Stunde benchmarkt.
Die Ergebnisse zeigen dramatische Effizienzverbesserungen, insbesondere mit zunehmender Kontextlänge.
Erfahre mehr über Architektur und Implementierungsdetails in der offiziellen technischen Dokumentation.
Leistung: Funktioniert es tatsächlich?
DeepSeek hat das Modell an einer Reihe von Benchmarks evaluiert, die sich auf vielfältige Fähigkeiten konzentrieren.
Insgesamt zeigt DeepSeek-V3.2-Exp keine nennenswerten Leistungseinbußen im Vergleich zu DeepSeek-V3.1-Terminus.
Allgemeinwissen
| Benchmark | DeepSeek-V3.1-Terminus | DeepSeek-V3.2-Exp |
|---|---|---|
| MMLU-Pro | 85.0 | 85.0 |
| GPQA-Diamond | 80.7 | 79.9 |
| Humanity’s Last Exam | 21.7 | 19.8 |
Hinweis: Die Leistung bei GPQA, HLE und HMMT 2025 ist niedriger, weil DeepSeek-V3.2-Exp weniger Reasoning-Token generiert. Zwischen-Checkpoints, die vergleichbare Token-Anzahlen erzeugen, zeigen, dass sich die Leistungslücke schließt.
Websuche und Agenten
| Benchmark | DeepSeek-V3.1-Terminus | DeepSeek-V3.2-Exp |
|---|---|---|
| BrowseComp | 38.5 | 40.1 |
| BrowseComp_zh | 45.0 | 47.9 |
| SimpleQA | 96.8 | 97.1 |
Interessanterweise schneidet das Modell bei Suchaufgaben sogar besser ab! Dies deutet darauf hin, dass Sparse Attention dem Modell helfen könnte, sich auf relevante Informationen zu konzentrieren, wenn es Antworten aus langen Kontexten abruft.
Code-Generierung
| Benchmark | DeepSeek-V3.1-Terminus | DeepSeek-V3.2-Exp |
|---|---|---|
| LiveCodeBench (2408-2505) | 74.9 | 74.1 |
| Codeforces-Div1 Rating | 2046 | 2121 |
| Aider-Polyglot | 76.1 | 74.5 |
Das Modell zeigt starke Coding-Fähigkeiten und erreicht sogar eine höhere Bewertung im kompetitiven Programmieren (2121 ist Experten-Level bei Codeforces).
Code-Agenten
| Benchmark | DeepSeek-V3.1-Terminus | DeepSeek-V3.2-Exp |
|---|---|---|
| SWE Verified (Agent mode) | 68.4 | 67.8 |
| SWE-bench Multilingual (Agent mode) | 57.8 | 57.9 |
| Terminal-bench (Terminus 1 framework) | 36.7 | 37.7 |
Das Modell behält starke Agenten-Fähigkeiten für die Lösung von realen Software-Engineering-Aufgaben bei.
Mathematik
| Benchmark | DeepSeek-V3.1-Terminus | DeepSeek-V3.2-Exp |
|---|---|---|
| AIME 2025 | 88.4 | 89.3 |
| HMMT 2025 | 86.1 | 83.6 |
Das Modell schneidet bei AIME 2025 (einem anspruchsvollen Mathematikwettbewerb für die Oberstufe) außergewöhnlich gut ab und löst 89,3 % der Aufgaben.
Trainingsstabilität
DeepSeek hat die Reinforcement-Learning-Trainingskurven beider Modelle bei BrowseComp und SWE Verified verglichen.
Die Leistung beider Modelle verbesserte sich während des gesamten Trainingsprozesses stetig, mit eng beieinander liegenden Kurven, was die Trainingsstabilität von DSA widerspiegelt.
Erste Schritte auf Novita AI
Der Zugriff auf DeepSeek-V3.2-Exp über Novita AI bietet mehrere Wege, die auf unterschiedliche technische Kenntnisse und Anwendungsfälle zugeschnitten sind.
Egal, ob du ein Geschäftsanwender bist, der KI-Fähigkeiten erkundet, oder ein Entwickler, der Produktionsanwendungen baut – Novita AI bietet dir die Tools, die du brauchst.
Nutze den Playground (ohne Programmierung)
- Sofortiger Zugriff: Registriere dich und beginne innerhalb von Sekunden mit dem Experimentieren mit DeepSeek-V3.2-Exp
- Interaktive Oberfläche: Teste Prompts und visualisiere Ausgaben in Echtzeit
- Modellvergleich: Vergleiche DeepSeek-V3.2-Exp mit anderen führenden Modellen für deinen spezifischen Anwendungsfall
Der Playground ermöglicht es dir, verschiedene Prompts zu testen und sofort Ergebnisse zu sehen, ohne technische Einrichtung. Perfekt für Prototyping, das Testen von Ideen und das Verständnis der Modellfähigkeiten vor der vollständigen Implementierung.
Integration über die API (für Entwickler)
Verbinde DeepSeek-V3.2-Exp mit deinen Anwendungen über Novita AIs einheitliche REST-API.
Option 1: Direkte API-Integration
from openai import OpenAI
client = OpenAI(
base_url="https://api.novita.ai/openai",
api_key="session_lnrv9fuPcmgAz_fk3YmwpmOhfIpYY11iFpvaauxsvknzSam5bSQasB-eIUbv9o2PGSF_tpNcC44ez9wAxUyuDA==",
)
model = "deepseek/deepseek-v3.2-exp"
stream = True # or False
max_tokens = 81920
system_content = "Be a helpful assistant"
temperature = 1
top_p = 1
min_p = 0
top_k = 50
presence_penalty = 0
frequency_penalty = 0
repetition_penalty = 1
response_format = { "type": "text" }
chat_completion_res = client.chat.completions.create(
model=model,
messages=[
{
"role": "system",
"content": system_content,
},
{
"role": "user",
"content": "Hi there!",
}
],
stream=stream,
max_tokens=max_tokens,
temperature=temperature,
top_p=top_p,
presence_penalty=presence_penalty,
frequency_penalty=frequency_penalty,
response_format=response_format,
extra_body={
"top_k": top_k,
"repetition_penalty": repetition_penalty,
"min_p": min_p
}
)
if stream:
for chunk in chat_completion_res:
print(chunk.choices[0].delta.content or "", end="")
else:
print(chat_completion_res.choices[0].message.content)
Option 2: Multi-Agent-Workflows mit OpenAI Agents SDK
Baue anspruchsvolle Multi-Agent-Systeme unter Nutzung der Fähigkeiten von DeepSeek-V3.2-Exp:
- Plug-and-Play-Integration: Nutze DeepSeek-V3.2-Exp in jedem OpenAI-Agents-Workflow
- Erweiterte Agenten-Fähigkeiten: Unterstützung für Übergaben, Routing und Tool-Integration
- Skalierbare Architektur: Entwirf Agenten, die die effiziente Long-Context-Verarbeitung von DeepSeek-V3.2-Exp nutzen
Verbindung mit Drittanbieter-Plattformen
Entwicklungstools: Nahtlose Integration mit beliebten IDEs und Entwicklungsumgebungen wie Cursor, Codex, Claude Code, Trae, Qwen Code und Cline über OpenAI-kompatible APIs und Anthropic-kompatible APIs.
Orchestrierungs-Frameworks: Verbinde dich mit LangChain, Dify, CrewAI, Langflow und anderen KI-Orchestrierungsplattformen über offizielle Connector.
Hugging Face Integration: Novita AI ist offizieller Inferenzanbieter von Hugging Face und gewährleistet so breite Kompatibilität mit dem Ökosystem.
Fazit
DeepSeek-V3.2-Exp stellt einen bedeutenden Fortschritt in der effizienten und kostengünstigen Long-Context-KI-Verarbeitung dar.
Durch DeepSeek Sparse Attention erreicht das Modell den halben Preis von DeepSeek-V3.1-Terminus bei deutlicher Geschwindigkeitssteigerung und erheblichen Effizienzverbesserungen sowohl beim Training als auch bei der Inferenz – insbesondere in Long-Context-Szenarien – und behält dabei eine vergleichbare Leistung wie DeepSeek-V3.1-Terminus bei.
DeepSeek führt weitere groß angelegte Tests in realen Szenarien durch, um mögliche Einschränkungen der Sparse-Attention-Architektur aufzudecken.
Novita AI macht es einfach, diese experimentelle Technologie über unsere entwicklerfreundliche API-Plattform zu nutzen – keine Infrastrukturkomplexität, nur leistungsstarke KI, die dir 50 % Kosteneinsparungen bietet.
Bereit, die Zukunft der effizienten und kostengünstigen Long-Context-KI zu erleben? Beginne noch heute mit der Erkundung von DeepSeek-V3.2-Exp im Playground.
Novita AI ist eine KI-Cloud-Plattform, die Entwicklern eine einfache Möglichkeit bietet, KI-Modelle über unsere einfache API bereitzustellen, und gleichzeitig eine erschwingliche und zuverlässige GPU-Cloud für die Entwicklung und Skalierung bereitstellt.
