DeepSeek-V3.2 ist der Nachfolger von DeepSeek-V3.2-Exp und verbindet Reasoning mit Werkzeugnutzung: Das Modell kann während seiner Denkphase Werkzeuge wie Suche oder Code-Ausführung aufrufen. Laut DeepSeek liegt es insgesamt auf dem Niveau von GPT-5. Die Variante V3.2-Speciale ist allein auf Reasoning trainiert und erreichte Goldmedaillen-Niveau bei der Internationalen Mathematik-Olympiade und der Internationalen Informatik-Olympiade 2025.
Technisch ist V3.2 ein Mixture-of-Experts-Modell (MoE) aus vielen spezialisierten Teilnetzen. Von 671 Milliarden Parametern sind je verarbeitetem Textbaustein (Token) nur 37 Milliarden aktiv. Die DeepSeek Sparse Attention berücksichtigt je Token nur die 2.048 relevantesten vorherigen Token und senkt so die Kosten bei langen Eingaben. Die Gewichte stehen unter der MIT-Lizenz.
DeepSeek-V3.2 (+ DeepSeek-V3.2-Speciale)
DeepSeek AI
Dezember 2025
MIT
MoE, Thinking und Non-Thinking, Werkzeugnutzung im Denkmodus, rein textbasiert
671 Mrd. total (37 Mrd. aktiv pro Token), die HF-Modellseite listet 685 Mrd. inklusive MTP-Modul
MoE mit DeepSeek Sparse Attention (DSA) und Multi-head Latent Attention (MLA)
61 (3 dichte und 58 MoE-Schichten)
256 Experten, 8 aktiv je Token, 1 geteilter Experte
128.000 Token
Das Hauptmodell mit Denkmodus und schnellem Modus. Im Denkmodus kann es Werkzeuge aufrufen und behält seine Zwischenschritte über mehrere Werkzeugaufrufe hinweg.
Ausschließlich auf Reasoning trainiert und mit geringerer Längenstrafe im Reinforcement Learning. Die Variante denkt deutlich länger nach, unterstützt aber keine Werkzeugaufrufe.
DeepSeek-V3.2-Exp führte die Sparse Attention als Experiment ein. Nachfolger ist die V4-Generation mit DeepSeek-V4-Pro und DeepSeek-V4-Flash.
| Benchmark | DeepSeek-V3.2 (Thinking) | Claude Sonnet 4.5 | GPT-5 High | Gemini 3.0 Pro | Kimi K2 Thinking |
|---|---|---|---|---|---|
| MMLU-Pro | 85,0 | 88,2 | 87,5 | 90,1 | 84,6 |
| GPQA Diamond | 82,4 | 83,4 | 85,7 | 91,9 | 84,5 |
| HLE | 25,1 | 13,7 | 26,3 | 37,7 | 23,9 |
| LiveCodeBench | 83,3 | 64,0 | 84,5 | 90,7 | 82,6 |
| AIME 2025 | 93,1 | 87,0 | 94,6 | 95,0 | 94,5 |
| HMMT Feb. 2025 | 92,5 | 79,2 | 88,3 | 97,5 | 89,4 |
| Terminal Bench 2.0 | 46,4 | 42,8 | 35,2 | 54,2 | 35,7 |
| SWE-bench Verified | 73,1 | 77,2 | 74,9 | 76,2 | 71,3 |
| HLE (mit Tools) | 40,8 | 32,0 | 35,2 | 45,8 | 44,9 |
| τ²-Bench | 80,3 | 84,7 | 80,2 | 85,4 | 74,3 |
| MCP-Universe | 45,9 | 46,5 | 47,9 | 50,7 | 35,6 |
| Tool-Decathlon | 35,2 | 38,6 | 29,0 | 36,4 | 17,6 |
Quelle: Technical Report zu DeepSeek-V3.2 (DeepSeek, Dezember 2025). Angaben in Prozent. V3.2-Speciale erreicht ohne Werkzeuge 96,0 bei AIME 2025 und 99,2 bei HMMT Feb. 2025.
Reasoning mit Werkzeugen unter MIT-Lizenz, dazu Speciale für Olympiade-Niveau. Wir prüfen mit Ihnen Nutzen, Auslegung und Betriebskosten.
DeepSeek-V3.2 baut auf dem Checkpoint von DeepSeek-V3.1-Terminus auf. Um die Sparse Attention einzuführen, wurde das Modell mit rund 946 Milliarden weiteren Token trainiert, die Architektur entspricht V3.2-Exp.
Für das Post-Training hat DeepSeek über 1.800 Umgebungen und 85.000 komplexe Aufgaben synthetisiert, etwa für Code-, Such- und allgemeine Agenten. Der Rechenaufwand für das Reinforcement Learning, bei dem das Modell aus Bewertungen seiner eigenen Lösungen lernt, lag laut DeepSeek bei über zehn Prozent der Vortrainingskosten.
DeepSeek-V3.2 eignet sich für Organisationen, die Reasoning und Werkzeugnutzung mit einem offenen Modell selbst betreiben wollen. In einer KI-Beratung prüfen wir mit Ihnen, ob V3.2 oder ein Modell der V4-Generation besser passt.
Reasoning mit Werkzeugen: Werkzeuge lassen sich direkt in der Denkphase nutzen.
Stark bei Terminal-Aufgaben: Mit 46,4 bei Terminal Bench 2.0 vor Claude Sonnet 4.5, GPT-5 High und Kimi K2 Thinking.
Speciale auf Olympiade-Niveau: Goldmedaillen-Niveau bei IMO und IOI 2025.
Günstig bei langen Eingaben: Sparse Attention senkt den Rechenaufwand bei langem Kontext.
Kommerziell frei nutzbar: Die MIT-Lizenz gilt für Code und Gewichte.
Hoher Hardware-Bedarf: Die FP8-Gewichte umfassen rund 690 GB.
Weniger Weltwissen: Laut DeepSeek wegen geringerer Trainingsrechenleistung hinter führenden proprietären Modellen, etwa HLE 25,1 gegenüber 37,7 bei Gemini 3.0 Pro.
Hoher Token-Verbrauch: Laut DeepSeek braucht das Modell längere Lösungswege als vergleichbare Modelle.
Nicht mehr über die DeepSeek-API: Die API läuft seit dem Start von V4 im April 2026 auf neueren Modellen, V3.2 gibt es nur noch zum Selbstbetrieb.
Wir planen die Cluster-Auslegung für DeepSeek-V3.2, übernehmen Inbetriebnahme, Quantisierung und Betrieb und hosten das Modell auf Wunsch DSGVO-konform in unserem zertifizierten Rechenzentrum in Limburg an der Lahn.
Eine Variante, die ausschließlich auf Reasoning trainiert wurde und deutlich länger nachdenkt. Sie erreichte Goldmedaillen-Niveau bei den Olympiaden IMO und IOI 2025, unterstützt aber keine Werkzeugaufrufe.
DeepSeek veröffentlicht die Gewichte in FP8, zusammen rund 690 GB. Das passt auf einen Server mit acht H200, mit H100 sind zwei Server mit je acht GPUs nötig. Hinzu kommt Reserve für den KV-Cache, den Zwischenspeicher für bereits verarbeitete Teile einer Anfrage.
Die Architektur ist gleich. V3.2 wurde deutlich umfangreicher für Agenten und Reasoning trainiert und kann Werkzeuge im Denkmodus nutzen. Mehr zum Vorgänger lesen Sie auf unserer Seite zu DeepSeek-V3.2-Exp.
Ja. Code und Gewichte stehen unter der MIT-Lizenz. Sie dürfen das Modell kommerziell einsetzen, anpassen und weitergeben.
Ja. Über unsere GPU Cloud stellen wir die nötige Rechenleistung bereit. Alternativ bündelt der MaaS Proxy verschiedene Modelle über eine einheitliche Schnittstelle. Beide Wege betreiben wir DSGVO-konform in Deutschland.
Möchten Sie individuell beraten werden?
Unsere KI-Experten sind für Sie da!
