deepseek-ai/deepseek-v3.2

LLM

DeepSeek V3.2 API by DeepSeek

deepseek-ai/deepseek-v3.2

Deepseek-v3.2

DeepSeek V3.2 is a state-of-the-art large language model combining efficient sparse attention, strong reasoning, and integrated agent capabilities for robust long-context understanding and versatile AI applications.

DeepSeek V3.2 พัฒนาโดย DeepSeek โดย Atlas Cloud (ดำเนินการโดย Atlas Cloud AI LLC) เป็นผู้ให้บริการเข้าถึงโมเดลนี้ แต่ไม่ได้เป็นเจ้าของโมเดล เครื่องหมายการค้าทั้งหมดเป็นของเจ้าของที่เกี่ยวข้อง

พารามิเตอร์

ตัวอย่างโค้ด
import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("ATLASCLOUD_API_KEY"),
    base_url="https://api.atlascloud.ai/v1"
)

response = client.chat.completions.create(
    model="deepseek-ai/deepseek-v3.2",
    messages=[
        {
            "role": "user",
            "content": "what is difference between http and https"
        }
    ],
    max_tokens=81920,
    temperature=0.7
)

print(response.choices[0].message.content)

ติดตั้ง

ติดตั้งแพ็กเกจที่จำเป็น

pip install requests

การยืนยันตัวตน

คำขอ API ทั้งหมดต้องมีการยืนยันตัวตนผ่าน API key คุณสามารถรับ API key ได้จากแดชบอร์ด Atlas Cloud

export ATLASCLOUD_API_KEY="your-api-key-here"

HTTP Headers

import os

API_KEY = os.environ.get("ATLASCLOUD_API_KEY")
headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {API_KEY}"
}

รักษา API key ของคุณให้ปลอดภัย

อย่าเปิดเผย API key ของคุณในโค้ดฝั่งไคลเอนต์หรือที่เก็บข้อมูลสาธารณะ ให้ใช้ตัวแปรสภาพแวดล้อมหรือพร็อกซีฝั่งเซิร์ฟเวอร์แทน

ส่งคำขอ

import requests

url = "https://api.atlascloud.ai/v1/chat/completions"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer $ATLASCLOUD_API_KEY"
}
data = {
    "model": "deepseek-ai/deepseek-v3.2",
    "messages": [
        {
            "role": "user",
            "content": "what is difference between http and https"
        }
    ],
    "max_tokens": 81920,
    "temperature": 0.7,
    "stream": False
}

response = requests.post(url, headers=headers, json=data)
print(response.json())

Input Schema

พารามิเตอร์ต่อไปนี้ยอมรับในเนื้อหาคำขอ

ทั้งหมด: 14จำเป็น: 2ไม่บังคับ: 12

modelstringrequired

The model ID to use for the completion.

Example: "deepseek-ai/deepseek-v3.2"

messagesarray[object]required

A list of messages comprising the conversation so far.

rolestringrequired

The role of the message author.

systemuserassistant

contentstringrequired

The content of the message.

temperaturenumber

Controls the variety of the model's responses. Lower values make output more predictable and deterministic, higher values more diverse and random.

Default: 1Min: 0Max: 2

top_pnumber

Nucleus sampling: limits the model's choices to the smallest set of tokens whose cumulative probability reaches top_p. It is recommended to adjust either this or temperature, not both.

Default: 1Min: 0Max: 1

top_kinteger

Limits the model's choice to the k most likely tokens at each step. Set to 0 or omit to disable.

Default: 0Min: 0

min_pnumber

Minimum probability threshold for a token to be considered, measured relative to the probability of the most likely token. Tokens below this threshold are filtered out.

Default: 0Min: 0Max: 1

frequency_penaltynumber

Penalizes tokens based on how frequently they have appeared in the text so far, reducing verbatim repetition. Negative values encourage token reuse.

Default: 0Min: -2Max: 2

presence_penaltynumber

Penalizes tokens that have already appeared in the text regardless of frequency, encouraging the model to introduce new topics.

Default: 0Min: -2Max: 2

repetition_penaltynumber

Multiplicative penalty applied to previously generated tokens. Values greater than 1 discourage repetition; 1 disables it.

Default: 1Min: 0Max: 2

stopstring | array[string]

One or more sequences where the API will stop generating further tokens. The returned text will not contain the stop sequence.

seedinteger

Random seed for deterministic sampling. Repeated requests with the same seed and parameters should return the same result.

max_tokensinteger

The maximum number of tokens to generate in the completion. The maximum value is the model's context length minus the prompt length.

Min: 1

logit_biasobject

A map of token IDs to bias values from -100 to 100 that adjust the likelihood of those tokens appearing in the output.

streamboolean

If set to true, partial message deltas will be sent as server-sent events.

Default: false

ตัวอย่างเนื้อหาคำขอ

{
  "model": "deepseek-ai/deepseek-v3.2",
  "messages": [
    {
      "role": "user",
      "content": "what is difference between http and https"
    }
  ],
  "max_tokens": 81920,
  "temperature": 0.7,
  "stream": false
}

Output Schema

API จะส่งคืนการตอบกลับที่เข้ากันได้กับ ChatCompletion

idstringrequired

Unique identifier for the completion.

objectstringrequired

Object type, always "chat.completion".

Default: "chat.completion"

createdintegerrequired

Unix timestamp of when the completion was created.

modelstringrequired

The model used for the completion.

choicesarray[object]required

List of completion choices.

indexintegerrequired

Index of the choice.

messageobjectrequired

The generated message.

finish_reasonstringrequired

The reason generation stopped.

stoplengthcontent_filter

usageobjectrequired

Token usage statistics.

prompt_tokensintegerrequired

Number of tokens in the prompt.

completion_tokensintegerrequired

Number of tokens in the completion.

total_tokensintegerrequired

Total tokens used.

ตัวอย่างการตอบกลับ

{
  "id": "chatcmpl-abc123",
  "object": "chat.completion",
  "created": 1700000000,
  "model": "model-name",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "Hello! How can I assist you today?"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 10,
    "completion_tokens": 20,
    "total_tokens": 30
  }
}

Atlas Cloud Skills

Atlas Cloud Skills เชื่อมต่อโมเดล AI กว่า 400+ เข้ากับผู้ช่วยเขียนโค้ด AI ของคุณโดยตรง ติดตั้งด้วยคำสั่งเดียว จากนั้นใช้ภาษาธรรมชาติเพื่อสร้างรูปภาพ วิดีโอ และสนทนากับ LLM

ไคลเอนต์ที่รองรับ

Claude Code

OpenAI Codex

Gemini CLI

Cursor

Windsurf

VS Code

Trae

GitHub Copilot

Cline

Roo Code

Amp

Goose

Replit

40+ ไคลเอนต์ที่รองรับ

ติดตั้ง

npx skills add AtlasCloudAI/atlas-cloud-skills

ตั้งค่า API Key

รับ API key จากแดชบอร์ด Atlas Cloud และตั้งค่าเป็นตัวแปรสภาพแวดล้อม

export ATLASCLOUD_API_KEY="your-api-key-here"

ความสามารถ

เมื่อติดตั้งแล้ว คุณสามารถใช้ภาษาธรรมชาติในผู้ช่วย AI ของคุณเพื่อเข้าถึงโมเดล Atlas Cloud ทั้งหมด

สร้างรูปภาพสร้างรูปภาพด้วยโมเดลเช่น Nano Banana 2, Z-Image และอื่นๆ

สร้างวิดีโอสร้างวิดีโอจากข้อความหรือรูปภาพด้วย Kling, Vidu, Veo เป็นต้น

สนทนา LLMสนทนากับ Qwen, DeepSeek และโมเดลภาษาขนาดใหญ่อื่นๆ

อัปโหลดสื่ออัปโหลดไฟล์จากเครื่องสำหรับการแก้ไขรูปภาพและเวิร์กโฟลว์รูปภาพเป็นวิดีโอ

เรียนรู้เพิ่มเติม

github.com/AtlasCloudAI/atlas-cloud-skills

MCP Server

Atlas Cloud MCP Server เชื่อมต่อ IDE ของคุณกับโมเดล AI กว่า 400+ ผ่าน Model Context Protocol ใช้งานได้กับไคลเอนต์ที่รองรับ MCP ทุกตัว

ไคลเอนต์ที่รองรับ

Cursor

VS Code

Windsurf

Claude Code

OpenAI Codex

Gemini CLI

Cline

Roo Code

100+ ไคลเอนต์ที่รองรับ

ติดตั้ง

npx -y atlascloud-mcp

การกำหนดค่า

เพิ่มการกำหนดค่าต่อไปนี้ลงในไฟล์ตั้งค่า MCP ของ IDE ของคุณ

{
  "mcpServers": {
    "atlascloud": {
      "command": "npx",
      "args": [
        "-y",
        "atlascloud-mcp"
      ],
      "env": {
        "ATLASCLOUD_API_KEY": "your-api-key-here"
      }
    }
  }
}

เครื่องมือที่ใช้ได้

atlas_generate_imageสร้างรูปภาพจากข้อความ prompt

atlas_generate_videoสร้างวิดีโอจากข้อความหรือรูปภาพ

atlas_chatสนทนากับโมเดลภาษาขนาดใหญ่

atlas_list_modelsเรียกดูโมเดล AI กว่า 400+ ที่ใช้ได้

atlas_quick_generateสร้างเนื้อหาขั้นตอนเดียวพร้อมเลือกโมเดลอัตโนมัติ

atlas_upload_mediaอัปโหลดไฟล์จากเครื่องสำหรับเวิร์กโฟลว์ API

เรียนรู้เพิ่มเติม

github.com/AtlasCloudAI/mcp-server

DeepSeek-V3.2

โมเดลโอเพนซอร์ส

โมเดลภาษาขนาดใหญ่ระดับแนวหน้าแบบโอเพนซอร์ส

DeepSeek-V3.2 เป็นโมเดล Mixture-of-Experts ที่ทันสมัยที่สุดด้วยพารามิเตอร์ 685B ที่บรรลุประสิทธิภาพระดับ GPT-5 ในขณะที่รักษาการอนุมานที่คุ้มค่าผ่านเทคโนโลยี DeepSeek Sparse Attention ที่เป็นนวัตกรรม

DeepSeek Sparse Attention (DSA)

ต้นทุนการอนุมานต่ำกว่า 50-75% ในขณะที่รักษาประสิทธิภาพ
Sparse attention ละเอียดสำหรับการประมวลผลบริบทยาวที่มีประสิทธิภาพ
รองรับความยาวบริบท 128K โทเค็น
คอมโพเนนต์ lightning indexer ที่เป็นนวัตกรรมสำหรับการกำหนดเส้นทาง attention แบบไดนามิก

ประสิทธิภาพระดับ GPT-5

ประสิทธิภาพเทียบเท่า GPT-5 ในหลายเกณฑ์ทดสอบการให้เหตุผล
ประสิทธิภาพระดับเหรียญทองใน IMO 2025 และ IOI 2025
ความสามารถแบบ agentic ขั้นสูงพร้อมการผสานรวมการใช้เครื่องมือ
โมเดลแรกที่ผสานการคิดเข้ากับการใช้เครื่องมือโดยตรง

เหรียญทองในการแข่งขัน

DeepSeek-V3.2-Speciale บรรลุประสิทธิภาพระดับเหรียญทองในการแข่งขันระดับนานาชาติที่มีชื่อเสียง แสดงให้เห็นความสามารถในการให้เหตุผลระดับโลก

IMO 2025

โอลิมปิกคณิตศาสตร์นานาชาติ

83.3%ความแม่นยำของปัญหา

IOI 2025

โอลิมปิกสารสนเทศนานาชาติ

ทองระดับเหรียญ

AIME

การสอบคณิตศาสตร์เชิญชวนอเมริกัน

96%คะแนนที่ทำได้

ไฮไลท์สถาปัตยกรรมทางเทคนิค

สถาปัตยกรรม Mixture-of-Experts

การออกแบบ MoE ขั้นสูงพร้อมการกำหนดเส้นทางผู้เชี่ยวชาญที่มีประสิทธิภาพ มีผู้เชี่ยวชาญที่แชร์ร่วมกัน 1 ตัวและผู้เชี่ยวชาญแบบกำหนดเส้นทาง 256 ตัวต่อชั้น เพื่อความสมดุลที่เหมาะสมที่สุดระหว่างประสิทธิภาพและประสิทธิผล

685Bพารามิเตอร์ทั้งหมด

37Bใช้งานต่อโทเค็น

นวัตกรรม Sparse Attention

กลไก DeepSeek Sparse Attention ที่ปฏิวัติวงการช่วยให้สามารถประมวลผลบริบทยาวได้อย่างมีประสิทธิภาพด้วยรูปแบบ attention ที่ละเอียด

50-75%การลดต้นทุน

128Kความยาวบริบท

ไปป์ไลน์การฝึกขั้นสูง

บุกเบิกการฝึกแบบความแม่นยำผสม FP8 ในระดับใหญ่ พร้อมกระบวนการหลังการฝึกที่ซับซ้อน ครอบคลุมทั้ง supervised fine-tuning และ reinforcement learning

14.8Tโทเค็นการฝึก

FP8ความแม่นยำผสม

สถานการณ์การใช้งาน

การให้เหตุผลขั้นสูง

การแก้ปัญหาคณิตศาสตร์

การเขียนโปรแกรมแบบแข่งขัน

แอปพลิเคชัน AI แบบ Agentic

โซลูชันองค์กร

การวิจัยและพัฒนา

ข้อมูลจำเพาะทางเทคนิค

พารามิเตอร์ทั้งหมด685B (671B พื้นฐาน + 14B เพิ่มเติม)

พารามิเตอร์ที่ใช้งาน37B ต่อโทเค็น

ประเภทสถาปัตยกรรมTransformer พร้อม DeepSeek Sparse Attention MoE

ความยาวบริบท128K โทเค็น

ข้อมูลการฝึก14.8 ล้านล้านโทเค็นคุณภาพสูง

รูปแบบความแม่นยำFP8, BF16, F32, F8_E4M3

ใบอนุญาตใบอนุญาต MIT (โอเพนซอร์ส)

วันที่เปิดตัวธันวาคม 2025

การเปรียบเทียบตัวแปรของโมเดล

ครอบครัว DeepSeek-V3.2 นำเสนอสองตัวแปรที่ได้รับการปรับให้เหมาะสมสำหรับกรณีการใช้งานที่แตกต่างกัน ทำให้เกิดสมดุลระหว่างความเร็วและความลึกของการให้เหตุผล

มาตรฐาน

DeepSeek-V3.2

DeepSeek AI

Best For: การปรับใช้งานจริงที่ต้องการความเร็วและประสิทธิภาพ

ประสิทธิภาพระดับ GPT-5 ใน benchmark
ความเร็วการอนุมานที่ได้รับการปรับปรุงด้วย DSA
ความสามารถในการใช้เครื่องมือและ agentic อย่างสมบูรณ์
คุ้มค่าสำหรับการนำไปใช้งานในระดับใหญ่

พรีเมียม

DeepSeek-V3.2-Speciale

DeepSeek AI

Best For: งานการให้เหตุผลเชิงลึกที่ต้องการความสามารถสูงสุด

เหนือกว่า GPT-5 เทียบเท่า Gemini-3.0-Pro
ประสิทธิภาพเหรียญทองใน IMO & IOI
ข้อจำกัดความยาวที่ผ่อนคลายสำหรับการให้เหตุผลที่ซับซ้อน
ปรับให้เหมาะสมสำหรับการวิจัยและปัญหาที่ท้าทาย

Key Insight: เลือก DeepSeek-V3.2 เพื่อประสิทธิภาพการผลิต หรือ V3.2-Speciale เพื่อความสามารถในการให้เหตุผลสูงสุด ทั้งสองโมเดลแสดงถึงแนวหน้าของ AI โอเพนซอร์ส

ทำไมต้องเลือก Atlas Cloud สำหรับ DeepSeek-V3.2?

สัมผัสความน่าเชื่อถือ ความปลอดภัย และความคุ้มค่าด้านต้นทุนระดับองค์กรผ่านบริการ API DeepSeek-V3.2 แบบมีการจัดการครบวงจรของเรา

ราคาที่แข่งขันได้

ราคาแบบจ่ายตามการใช้งานด้วยต้นทุนที่โปร่งใส ไม่มีค่าธรรมเนียมซ่อนเร้น ไม่มีข้อผูกมัดขั้นต่ำ เริ่มต้นใช้งานฟรี

SLA อัพไทม์ 99.9%

โครงสร้างพื้นฐานระดับองค์กรพร้อม failover อัตโนมัติ การกระจายโหลด และการตรวจสอบตลอด 24/7 เพื่อความน่าเชื่อถือสูงสุด

ได้รับการรับรอง SOC 2 Type II

ความปลอดภัยระดับองค์กรด้วยการรับรอง SOC 2 Type II ข้อมูลของคุณได้รับการเข้ารหัสทั้งขณะส่งและขณะพักด้วยมาตรฐานความปลอดภัยชั้นนำของอุตสาหกรรม

การตอบสนองที่รวดเร็วเหมือนสายฟ้าแลบ

CDN ทั่วโลกพร้อมตำแหน่ง edge ทั่วทุกมุมโลก โครงสร้างพื้นฐานการอนุมานที่ได้รับการปรับให้เหมาะสมให้เวลาตอบสนองต่ำกว่าหนึ่งวินาที

การสนับสนุนจากผู้เชี่ยวชาญ

ทีมสนับสนุนทางเทคนิคเฉพาะพร้อมให้บริการตลอด 24/7 รับความช่วยเหลือเกี่ยวกับการผสานรวม การปรับให้เหมาะสม และการแก้ไขปัญหา

แพลตฟอร์ม API แบบครบวงจร

เข้าถึงโมเดล AI มากกว่า 400 รายการ (LLMs, ภาพ, วิดีโอ, เสียง) ผ่าน API เดียวที่สอดคล้องกัน การผสานรวมครั้งเดียวสำหรับความต้องการ AI ทั้งหมดของคุณ

สัมผัสประสบการณ์ DeepSeek-V3.2 บน Atlas Cloud

ปรับใช้ AI โอเพนซอร์สระดับโลกด้วยโครงสร้างพื้นฐานระดับองค์กร ราคาที่โปร่งใส และการปรับขนาดที่ราบรื่น

การเข้าถึง API ทันที

ราคาแบบจ่ายตามการใช้งาน

การสนับสนุนองค์กร

สำรวจโมเดลที่คล้ายกัน

NEW

HOT

DeepSeek V4 Pro is a state-of-the-art large language model combining efficient sparse attention, strong reasoning, and integrated agent capabilities for robust long-context understanding and versatile AI applications.

DeepSeek V3.2 API by DeepSeek

พารามิเตอร์

ตัวอย่างโค้ด

ติดตั้ง

การยืนยันตัวตน

HTTP Headers

ส่งคำขอ

Input Schema

ตัวอย่างเนื้อหาคำขอ

Output Schema

ตัวอย่างการตอบกลับ

Atlas Cloud Skills

ไคลเอนต์ที่รองรับ

ติดตั้ง

ตั้งค่า API Key

ความสามารถ

MCP Server

ไคลเอนต์ที่รองรับ

ติดตั้ง

การกำหนดค่า

เครื่องมือที่ใช้ได้

DeepSeek-V3.2

เหรียญทองในการแข่งขัน

IMO 2025

IOI 2025

AIME

ไฮไลท์สถาปัตยกรรมทางเทคนิค

สถาปัตยกรรม Mixture-of-Experts

นวัตกรรม Sparse Attention

ไปป์ไลน์การฝึกขั้นสูง

สถานการณ์การใช้งาน

ข้อมูลจำเพาะทางเทคนิค

การเปรียบเทียบตัวแปรของโมเดล

DeepSeek-V3.2

DeepSeek-V3.2-Speciale

ทำไมต้องเลือก Atlas Cloud สำหรับ DeepSeek-V3.2?

ราคาที่แข่งขันได้

SLA อัพไทม์ 99.9%

ได้รับการรับรอง SOC 2 Type II

การตอบสนองที่รวดเร็วเหมือนสายฟ้าแลบ

การสนับสนุนจากผู้เชี่ยวชาญ

แพลตฟอร์ม API แบบครบวงจร

สัมผัสประสบการณ์ DeepSeek-V3.2 บน Atlas Cloud

สำรวจโมเดลที่คล้ายกัน

DeepSeek V4 Pro 0813

DeepSeek V4 Flash Vision Exp

DeepSeek V4 Flash 0731

DeepSeek V4 Pro

DeepSeek V4 Flash

DeepSeek V3.2 Exp

DeepSeek V3.1

DeepSeek OCR

DeepSeek V3.1 Terminus

Grok 4.6

Qwen3.8 27B

Qwen3.8 Max

Kimi K3

Grok 4.5

KAT Coder Pro V2.5

KAT Coder Air V2.5

API เดียวสำหรับ AI สื่อทุกประเภท

พารามิเตอร์

ตัวอย่างโค้ด

ติดตั้ง

การยืนยันตัวตน

HTTP Headers

ส่งคำขอ

Input Schema

ตัวอย่างเนื้อหาคำขอ

Output Schema

ตัวอย่างการตอบกลับ

Atlas Cloud Skills

ไคลเอนต์ที่รองรับ

ติดตั้ง

ตั้งค่า API Key

ความสามารถ

MCP Server

ไคลเอนต์ที่รองรับ

ติดตั้ง

การกำหนดค่า