DeepSeek-V3.2
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
This model's weights are open, but no parameter count has been published for it. Every memory and speed figure starts from that number, so we would rather show nothing than a fabricated estimate.
Aufzeichnen
Vollständige Spezifikation
Alles, was für dieses Modell aufgezeichnet wurde. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft – nützlicher Kontext, um zu beurteilen, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in unterschiedlichem Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell erstellt, wo und wann es veröffentlicht wurde.
- Organisation
- DeepSeek
- Typ der Organisation
- Industry
- Land
- China
- Veröffentlicht
- 1 December 2025
Größe
Wie groß das Modell ist und wie viele Daten es trainiert wurde. Parameter sind die Werte, die entscheiden, ob es auf eine bestimmte Grafikkarte passt.
- Modell/Modelle können auf der GPU nicht passen. Eng = kaum auszuführen, komfortabel = läuft problemlos mit Spielraum.
- tokens
Training-Berechnung
Die Berechnungen, die zum Trainieren des Modells durchgeführt werden, gemessen in Gleitkommaoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.
- Training-Berechnung
- 4.2 × 10²⁴ FLOP
Pre-trained base was DeepSeek-V3.1-Terminus 3.594058e+24 FLOP [base model] + 2.095014e+23 FLOP = 3.8035594e+24 FLOP for pre-training plus continued pre-training Then, "this framework allocates a post-training computational budget exceeding 10% of the pre-training cost", so 4.18e24
Verfügbarkeit
Ob Sie das Modell erhalten und es auf Ihrer eigenen Hardware ausführen können, was entscheidet, ob eine der Grafikkartenfiguren auf dieser Seite zutrifft.
- Gewichte
- Open — downloadable
- Modellzugriff
- Open weights (unrestricted)
Wie es klassifiziert ist
Labels, die auf das Quell-Dataset angewendet werden, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Modell/Modelle können auf der GPU ausgeführt werden. Es passt nicht / wird nicht passen. Eng = kaum ausführbar, komfortabel = läuft problemlos mit Spielraum.
- Likely
Model/Modelle laufen nicht / wird nicht passen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Modell/Modelle können von der GPU nicht ausgeführt werden. Es passt nicht. Zu eng. Lauffähig. Bequem.
- 8 April 2026
Was die Zahlen bedeuten
Was dieses Modell ist
DeepSeek-V3.2 was published by DeepSeek, in China, in December 2025. industry is the category the publisher falls under.
Published weights mean the model runs on your machine rather than someone else's, which is what makes the hardware question below answerable at all.
Wie es trainiert wurde
The training run consumed about 4.2 × 10²⁴ FLOP. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
Antworten
DeepSeek-V3.2 — Häufige Fragen
What GPU do I need to run DeepSeek-V3.2?
We cannot say. DeepSeek-V3.2 has open weights, but no parameter count has been published for it, and every memory and speed calculation starts from that number. We would rather show nothing than a fabricated estimate.
Is DeepSeek-V3.2 open source?
Its weights are published, so DeepSeek-V3.2 can be downloaded and run on your own hardware. Note that open weights is not the same as open source in the full sense — it says nothing about the training data, the training code, or the commercial terms attached.
How many parameters does DeepSeek-V3.2 have?
No parameter count has been published for DeepSeek-V3.2, which is why no memory or speed figure appears on this page.
Who created DeepSeek-V3.2?
DeepSeek-V3.2 was published by DeepSeek, based in China, categorised as industry.
When was DeepSeek-V3.2 released?
DeepSeek-V3.2 was published in December 2025.
Where can I download DeepSeek-V3.2?
The weights for DeepSeek-V3.2 are published, though we do not hold a repository link for it. This site calculates hardware requirements rather than hosting model files.
How much compute was used to train DeepSeek-V3.2?
Around 4.2 × 10²⁴ FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
Die andere Richtung
Von der anderen Seite betrachten?
Diese Seite beginnt vom Modell. Wenn Sie bereits eine Karte besitzen und alles erfahren möchten, was sie ausführen kann., Modell/Modelle laufen GPU AI-Modell. passt nicht/wird nicht passen. eng = kaum lauffähig, komfortabel = läuft problemlos mit Spielraum..