DeepSeek: DeepSeek V3.2 Exp

DeepSeek V3.2 Exp is een experimenteel groot taalmodel van DeepSeek, uitgebracht op 29 september 2025 als een tussenstap tussen V3.1 en toekomstige architecturen. Het introduceert DeepSeek Sparse Attention (DSA), een fijnmazig sparse attention-mechanisme. Het model is tekst-only in beide richtingen, en de knowledge cutoff is 31 juli 2025.

Het accepteert tekstinvoer en retourneert tekstuitvoer, met een contextvenster van 163.840 tokens en een maximale uitvoer van 147.456 tokens. Die combinatie is geschikt voor lange documenten en lange generaties in hetzelfde verzoek. De ondersteunde parameters zijn onder andere temperature, top_p, top_k, frequency_penalty, max_tokens en response_format, samen met structured_outputs voor schema-beperkte antwoorden. Het biedt ook reasoning-besturing via de parameters reasoning en include_reasoning, en tool use via tools en tool_choice, zodat het functies kan aanroepen en gestructureerde argumenten kan retourneren in plaats van alleen proza.

Die mogelijkheden wijzen op een paar praktische patronen. Een groot contextvenster en een groot uitvoerbudget maken het redelijk geschikt voor het samenvatten van of extraheren uit lange bestanden, question answering over meerdere documenten, en het in één keer opstellen van langere teksten. Structured outputs en tool calling zijn geschikt voor agents, retrieval-pipelines en workflows waarin het model JSON moet retourneren die overeenkomt met een schema of moet beslissen welke functie moet worden aangeroepen. De reasoning-parameters laten je reasoning-inhoud opvragen of onderdrukken, afhankelijk van of je de tussenstappen zichtbaar wilt hebben. Omdat het experimenteel is, is het de moeite waard om het te testen tegen je eigen evaluatieset voordat je er in productie op vertrouwt.

Je roept het aan via de OpenAI-compatibele API van api14 met het model-id "deepseek/deepseek-v3.2-exp". Richt je bestaande OpenAI-client op de api14 base URL, stuur een chat completions-verzoek met dat model-id, en de request body accepteert de hierboven genoemde parameters: frequency_penalty, include_reasoning, max_tokens, reasoning, response_format, structured_outputs, temperature, tool_choice, tools, top_k en top_p. Als je al een OpenAI SDK gebruikt, is overstappen vooral een kwestie van de base URL, API key en het model-id wijzigen.

De belangrijkste kanttekening is de experimentele status. Het is een tekstmodel, dus het verwerkt geen afbeeldingen of audio, en als je taak multimodaal is, heb je een ander model nodig. Als je een stabiel, niet-experimenteel endpoint nodig hebt voor langdurig productieverkeer, is een uitgekristalliseerde release mogelijk de veiligere standaard, waarbij dit model wordt gebruikt waar zijn sparse attention en reasoning-besturing het waard zijn om te evalueren.