Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepseekohne Datum · Q003814

Introducing DeepSeek-V3.2-Exp | DeepSeek API Docs

api-docs.deepseek.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

DeepSeek zufolge soll das experimentelle V3.2-Exp mit Sparse Attention lange Kontexte effizienter verarbeiten und bei Benchmarks etwa V3.1-Terminus erreichen; zugleich senke das Unternehmen die API-Preise um mehr als 50 Prozent. Modell, technischer Bericht und GPU-Kernels wurden zur Verfügung gestellt, doch der Text enthält keine konkreten Benchmarkwerte oder Testdetails.

Mittel

DeepSeek stellt V3.2-Exp als experimentelles Modell vor, das auf V3.1-Terminus basiert und die neue DeepSeek Sparse Attention (DSA) nutzt. Laut Unternehmen soll DSA lange Kontexte mit geringerem Rechenaufwand verarbeiten und Training sowie Inferenz beschleunigen, ohne die Ausgabequalität wesentlich zu beeinträchtigen. Benchmarks lägen demnach auf dem Niveau des Vorgängermodells.

Das Modell sei über App, Web und API verfügbar. DeepSeek zufolge wurden die API-Preise sofort um mehr als 50 Prozent reduziert. V3.1-Terminus sollte für Vergleichstests noch bis zum 15. Oktober 2025 um 15:59 UTC über eine temporäre API angeboten werden. Modell und technischer Bericht wurden als Open Source bereitgestellt; außerdem nennt DeepSeek GPU-Kernels in TileLang und CUDA.

Die Leistungsangaben stammen vom Anbieter. Der Text enthält keine konkreten Benchmarkzahlen oder Testdetails, sondern verweist dafür auf Grafiken, deren Inhalte hier nicht ausformuliert sind.

Ausführlich lesen

Der Bericht stellt DeepSeek-V3.2-Exp als experimentelles Modell vor, das auf V3.1-Terminus aufbaut und die neue „DeepSeek Sparse Attention“ (DSA) einführt. DeepSeek zufolge soll DSA lange Kontexte effizienter verarbeiten und Training sowie Inferenz beschleunigen. Das Unternehmen behauptet, die Methode erreiche feingranulare Sparse Attention bei nur geringen Auswirkungen auf die Ausgabequalität und verringere zugleich den Rechenaufwand. Benchmark-Ergebnisse lägen demnach auf dem Niveau von V3.1-Terminus.

DeepSeek kündigt an, V3.2-Exp über App, Web und API bereitzustellen. Für die API seien die Preise mit sofortiger Wirkung um mehr als 50 Prozent gesenkt worden. Zum Vergleich mit dem Vorgängermodell sollte V3.1-Terminus vorübergehend über eine separate API verfügbar bleiben; als Ende dieses Angebots nennt der Bericht den 15. Oktober 2025 um 15:59 UTC.

Der Bericht verweist außerdem auf eine Open-Source-Veröffentlichung des Modells und eines technischen Berichts. Er erwähnt zentrale GPU-Kernels in TileLang und CUDA und empfiehlt TileLang für schnelle Forschungsprototypen.

Die Leistungs- und Qualitätsaussagen sind Angaben von DeepSeek. Der vorliegende Text nennt keine konkreten Benchmarkwerte oder Einzelheiten zum Testverfahren; entsprechende Grafiken werden zwar referenziert, ihr Inhalt ist hier nicht als Text wiedergegeben. Auch die angekündigte Verfügbarkeit wird im Bericht behauptet, aber nicht unabhängig belegt.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: ok

Beide Zusammenfassungen von Luna geben den Bericht treu wieder, ohne erfundene Angaben. Die Sammelfragen sind mit dem Bericht, einem Produktankündigungstext zu einem offenen Modell, kaum zu beantworten, deshalb fallen die Einordnungen niedrig aus.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 41 %Hintergrund, keine Belege
    • JEV offen
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra 48 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 37 %einzelne zitierbare Belege
    • JEV offen
    • amos 23 %nur am Rande erwähnt
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 40 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 61 %einzelne zitierbare Belege
    • JEV offen
    • amos 26 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung Hintergrund, keine Belege
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 28 %Hintergrund, keine Belege
    • JEV offen
    • amos 34 %gleiches Oberthema, hilft nicht
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra 48 %gleiches Oberthema, hilft nicht
Wirtschaft und Haftung

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →