DeepSeek-V3.2-Exp calculateur TPS
Chaque carte ci-dessous est évaluée par rapport à ce modèle à la longueur de contexte et à la qualité minimale que vous choisissez. La vitesse est une estimation pour une demande unique, calculée à partir de la bande passante mémoire de la carte et de la taille du modèle une fois compressé..
Calculé pour ce modèle
818 cartes dont nous détenons les spécifications pour
Quelles GPU peuvent exécuter DeepSeek-V3.2-Exp?
Définir les entrées, lire la réponse
Une conversation plus longue nécessite plus de mémoire, ce qui peut pousser ce modèle hors des cartes plus petites..
Cache des cartes qui ne conviendraient qu'au modèle en le compressant en dessous de ce point..
0 cartes correspondent
Calcul en cours| Besoin | Quantification | Convient | |||||
|---|---|---|---|---|---|---|---|
|
Aucune carte dans notre catalogue ne peut exécuter ce modèle avec ces paramètres.. |
|||||||
Les vitesses sont des estimations pour une seule demande — une conversation à la fois — calculées à partir de la bande passante de la mémoire, de la taille du modèle et de la quantification. Le débit réel varie avec le temps d'exécution d'inférence et sa version. Les chiffres publiés par les fournisseurs de matériel mesurent de nombreuses demandes simultanées et sont beaucoup plus élevés..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- DeepSeek
- Type d'organisation
- Industry
- Pays
- China
- Publié
- 29 September 2025
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Language
- Tâche
- Language modeling/generation, Code generation, Quantitative reasoning, Question answering, Search, System control, Instruction interpretation
- Modèle de base
- DeepSeek-V3.1-Terminus
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- paramètres
- 671B
- Données d'entraînement
- 943,700,000,000 tokens
671B total, 37B active (assuming same as in the base model)
"We train both the main model and the indexer for 15000 steps, with each step consisting of 480 sequences of 128K tokens, resulting in a total of 943.7B tokens."
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 4.2 × 10²⁴ FLOP
- Comment cela a été établi
- Operation counting
- Ajustement fin des calculs
- 5.9 × 10²³ FLOP
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
Continued pretraining compute: 6 * 37B * 943.7B = 2.095e23 FLOP. In addition, V3.2 states post-training compute budget exceeds 10% of total pretraining cost, implying additional post-training FLOPs > 3.8e23 (so finetune total beyond V3.1-Terminus is >5.9e23 FLOP).
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Open — downloadable
- Accès au modèle
- Open weights (unrestricted)
- Code d'entraînement
- Unreleased
- Hugging Face
- deepseek-ai
MIT license https://huggingface.co/deepseek-ai/DeepSeek-V3.2-Exp
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Confident
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Introducing DeepSeek-V3.2-Exp
- Dernière mise à jour
- 19 February 2026
Ce que les chiffres signifient
Ce dont vous avez besoin pour l'exécuter
DeepSeek-V3.2-Exp atteint un nombre de paramètres de 671B. Cela dépasse ce que peut contenir une seule carte graphique. L'exécuter signifie soit le répartir entre plusieurs cartes, soit louer du matériel conçu pour cela, et chaque carte capable de le contenir seule est une pièce de datacenter. Le nombre qui peut : 0.
Ce que ce modèle est
DeepSeek-V3.2-Exp a été publié par DeepSeek, dans le pays enregistré comme China, durant September 2025. L'organisation de publication est catégorisée comme industry.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling/generation, Code generation, Quantitative reasoning, Question answering, Search, System control, Instruction interpretation.
Son point de départ était un modèle de base existant, DeepSeek-V3.1-Terminus. C'est la façon habituelle de produire un modèle spécialisé.
Les poids étant ouverts, c'est ce qui place cette page dans le calculateur plutôt que seulement dans le catalogue : c'est un modèle que vous pouvez réellement tenir. Sur Hugging Face, il est publié sous l'organisation deepseek-ai.
Comment il a été entraîné
L'entraînement a consommé environ 4.2 × 10²⁴ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Il a été entraîné sur un corpus d'environ 943,700,000,000 jetons de texte
Étape par étape
Comment choisir un GPU pour DeepSeek-V3.2-Exp
Le tableau ci-dessus a déjà évalué chaque carte pour laquelle nous avons des spécifications par rapport à ce modèle. Obtenir votre réponse prend six étapes..
-
01
Lisez d'abord le chiffre de mémoire
La table répertorie chaque carte capable de supporter DeepSeek-V3.2-Exp. Cette figure, pas la performance principale d'une carte, est ce qui décide si elle fonctionne.
-
02
Décidez combien de temps vos conversations tournent
Définissez le contexte de ce que vous allez réellement utiliser. Le cache augmente avec la conversation, et c'est la raison habituelle pour laquelle une carte qui semblait convenir cesse de s'adapter. DeepSeek-V3.2-Exp.
-
03
Définir un seuil de qualité
Chaque carte exécute la copie la moins compressée qu'elle peut contenir.. Fixer une qualité minimale élimine les cartes qui ne parviennent à l'atteindre qu'en exerçant une pression plus forte que vous ne le souhaiteriez, et maintient la comparaison à un niveau.
-
04
Classer par débit plutôt que par fiche technique
Le classement par tokens par seconde suit la bande passante de la VRAM plutôt que le nombre de cœurs, pour DeepSeek-V3.2-Exp. Il ne s'alignera pas sur une commande de jeu, car la génération est limitée par la bande passante de la mémoire.
-
05
Vérifiez le verdict de compatibilité avant d'acheter
Tight signifie qu'il se charge et fonctionne sans possibilité d'augmenter le contexte plus tard, dans le cas de DeepSeek-V3.2-Exp. Confortable signifie que vous pouvez augmenter le contexte plus tard. Cette différence compte plus que quelques tokens par seconde, donc achetez pour confortable si vous vous attendez à cela.
-
06
Vérifiez la carte de l'autre côté
Chaque nom de carte renvoie à sa propre page, qui effectue le même calcul dans l'ensemble du catalogue de modèles. Une carte est généralement achetée pour plus d'un modèle, il est donc utile de jeter un œil avant d'acheter pour DeepSeek-V3.2-Exp.
Réponses
DeepSeek-V3.2-Exp — questions courantes
DeepSeek-V3.2-Exp— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 671B. 671B total, 37B active (assuming same as in the base model). Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
DeepSeek-V3.2-Exp— qui l'a créé ?
Il a été publié par DeepSeek, basé sur China, une organisation catégorisée comme industry.
DeepSeek-V3.2-Exp— quand a-t-il été publié ?
Il a été publié dans September 2025.
DeepSeek-V3.2-Exp— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling/generation, Code generation, Quantitative reasoning, Question answering, Search, System control, Instruction interpretation. Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.
DeepSeek-V3.2-Exp— où puis-je le télécharger ?
Ses poids sont publiés sur Hugging Face, sous l'organisation deepseek-ai. Nous n'hébergeons pas de fichiers de modèle — ce site calcule le matériel nécessaire pour les faire fonctionner.
DeepSeek-V3.2-Exp— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 4.2 × 10²⁴ FLOP. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
DeepSeek-V3.2-Exp— Puis-je l'exécuter s'il ne tient pas dans ma GPU?
Partiellement. Les couches qui ne tiennent pas sont dans la mémoire système et fonctionnent à une fraction de la vitesse, donc un modèle principalement déchargé vaut rarement la peine d'être utilisé. La plus proche approximation que nous calculons est inférieure de 103.0 Go. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.
DeepSeek-V3.2-Exp— deux GPUs l'exécuteraient-ils plus rapidement ?
Une seconde carte double à peu près la mémoire disponible mais pas le taux de génération. Le nombre déjà capable de le faire seul : 0. Ainsi, une seconde carte est rarement la réponse ici.
DeepSeek-V3.2-Exp— pourquoi la quantification diffère-t-elle entre les cartes ?
Parce que la capacité varie, il en va de même pour la difficulté à être comprimé. Le nombre de niveaux distincts dans le tableau ci-dessus : 1. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.
DeepSeek-V3.2-Exp— quelle est la précision de ces estimations de vitesse ?
Ce sont des estimations avec de véritables barres d'erreur, et n'importe lequel d'entre eux pourrait raisonnablement se situer n'importe où dans sa plage publiée en fonction du temps d'exécution que vous utilisez. Le résultat le plus rapide ici : la plage sous chaque chiffre. Le même modèle et carte varient de trente à cinquante pour cent en fonction du logiciel d'inférence et de sa version.
DeepSeek-V3.2-Exp— est-ce que c'est open source ?
Ses poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel. Notez que les poids ouverts ne sont pas la même chose que l'open source au sens plein — cela ne dit rien sur les données d'entraînement, le code d'entraînement ou les conditions commerciales attachées.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.