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.

參數

程式碼範例
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": "hello"
    }
],
    max_tokens=1024,
    temperature=0.7
)

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

安裝

安裝所需的相依套件。

pip install requests

驗證

所有 API 請求都需要透過 API Key 進行認證。您可以在 Atlas Cloud 控制台取得 API Key。

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

HTTP 標頭

import os

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

保護好您的 API Key

切勿在客戶端程式碼或公開儲存庫中暴露您的 API Key。請使用環境變數或後端代理。

提交請求

import requests

url = "https://api.atlascloud.ai/v1/chat/completions"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer $ATLASCLOUD_API_KEY"
}
data = {
    "model": "your-model",
    "messages": [{"role": "user", "content": "Hello"}],
    "max_tokens": 1024
}

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

Input Schema

以下參數在請求主體中被接受。

總計: 14必填: 2選填: 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. One of "system", "user", or "assistant".

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

範例請求主體

{
  "model": "deepseek-ai/deepseek-v3.2",
  "messages": [
    {
      "role": "user",
      "content": "Hello"
    }
  ],
  "max_tokens": 1024,
  "temperature": 0.7,
  "stream": false
}

Output Schema

API 傳回相容 ChatCompletion 的回應格式。

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.

範例回應

{
  "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 將 400+ AI 模型直接整合到您的 AI 程式碼助手中。一條命令安裝，即可用自然語言生成圖片、影片，以及與 LLM 對話。

支援的客戶端

Claude Code

OpenAI Codex

Gemini CLI

Cursor

Windsurf

VS Code

Trae

GitHub Copilot

Cline

Roo Code

Amp

Goose

Replit

40+ 支援的客戶端

安裝

npx skills add AtlasCloudAI/atlas-cloud-skills

設定 API Key

從 Atlas Cloud 控制台取得 API Key，並將其設定為環境變數。

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

功能

安裝完成後，您可以在 AI 助手中使用自然語言存取所有 Atlas Cloud 模型。

圖片生成使用 Nano Banana 2、Z-Image 等模型生成圖片。

影片創作使用 Kling、Vidu、Veo 等從文字或圖片創建影片。

LLM 對話與 Qwen、DeepSeek 及其他大型語言模型對話。

媒體上傳上傳本機檔案用於圖片編輯和圖生影片工作流程。

MCP Server

Atlas Cloud MCP Server 透過 Model Context Protocol 將您的 IDE 與 400+ AI 模型連接。支援任何相容 MCP 的客戶端。

支援的客戶端

Cursor

VS Code

Windsurf

Claude Code

OpenAI Codex

Gemini CLI

Cline

Roo Code

100+ 支援的客戶端

安裝

npx -y atlascloud-mcp

設定

將以下設定新增到您的 IDE 的 MCP 設定檔中。

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

可用工具

atlas_generate_image根據文字提示生成圖片。

atlas_generate_video從文字或圖片創建影片。

atlas_chat與大型語言模型對話。

atlas_list_models瀏覽 400+ 可用 AI 模型。

atlas_quick_generate一步式內容創建，自動選擇最佳模型。

atlas_upload_media上傳本機檔案用於 API 工作流程。

了解更多

github.com/AtlasCloudAI/mcp-server

DeepSeek 稀疏注意力（DSA）

在保持性能的同時降低 50-75% 的推理成本
細粒度稀疏注意力實現高效長上下文處理
支援 128K token 上下文長度
創新的 lightning indexer 元件用於動態注意力路由

GPT-5 級別性能

在多個推理基準測試中達到 GPT-5 水準
在 IMO 2025 和 IOI 2025 中獲得金牌表現
先進的智慧體能力，整合工具使用
首個將思維直接整合到工具使用中的模型

競賽金牌成就

DeepSeek-V3.2-Speciale 在多項國際頂級競賽中獲得金牌級別表現，展現了世界級的推理能力。

IMO 2025

國際數學奧林匹克競賽

83.3%問題準確率

IOI 2025

國際資訊學奧林匹克競賽

金牌獎牌等級

AIME

美國數學邀請賽

96%得分成績

技術架構亮點

混合專家架構

先進的 MoE 設計，具有高效的專家路由，每層包含 1 個共享專家和 256 個路由專家，實現性能與效率的最佳平衡。

685B總參數量

37B每 Token 啟動

稀疏注意力創新

革命性的 DeepSeek 稀疏注意力機制，透過細粒度注意力模式實現高效的長上下文處理。

50-75%成本降低

128K上下文長度

先進訓練流程

開創性地採用大規模 FP8 混合精度訓練，配合複雜的後訓練流程，包括監督微調和強化學習。

14.8T訓練 Token 數

FP8混合精度

應用場景

高階推理

數學問題求解

競賽程式設計

智慧體 AI 應用

企業解決方案

研究與開發

技術規格

總參數量685B（671B 基礎 + 14B 附加）

啟動參數每 token 37B

架構類型帶 DeepSeek 稀疏注意力的 Transformer MoE

上下文長度128K tokens

訓練資料14.8 兆高品質 tokens

精度格式FP8、BF16、F32、F8_E4M3

授權MIT 授權（開源）

發布日期2025年12月

模型變體對比

DeepSeek-V3.2 系列提供兩個針對不同使用場景優化的變體，在速度和推理深度之間取得平衡。

標準版

DeepSeek-V3.2

DeepSeek AI

Best For: 需要速度和效率的生產部署

在基準測試中達到 GPT-5 級別性能
透過 DSA 優化推理速度
完整的工具使用和智慧體能力
適合大規模部署的高性價比

高階版

DeepSeek-V3.2-Speciale

DeepSeek AI

Best For: 需要最大能力的深度推理任務

超越 GPT-5，匹配 Gemini-3.0-Pro
在 IMO 和 IOI 中獲得金牌表現
放寬長度限制以支援複雜推理
針對研究和挑戰性問題優化

Key Insight: 選擇 DeepSeek-V3.2 獲得生產效率，或選擇 V3.2-Speciale 獲得最大推理能力。兩個模型都代表了開源 AI 的前沿水準。

為什麼選擇 Atlas Cloud 使用 DeepSeek-V3.2？

透過我們完全託管的 DeepSeek-V3.2 API 服務，體驗企業級可靠性、安全性和成本效益。

極具競爭力的價格

透明成本的按用量付費定價。無隱藏費用，無最低承諾。免費開始使用。

99.9% 正常運行時間 SLA

企業級基礎設施，具備自動故障轉移、負載平衡和 24/7 監控，實現最高可靠性。

SOC 2 Type II 認證

通過 SOC 2 Type II 認證的企業級安全性。您的資料在傳輸和靜態狀態下都採用業界領先的安全標準加密。

閃電般的快速回應

全球 CDN，在全球各地設有邊緣位置。優化的推理基礎設施提供低於一秒的回應時間。

專業技術支援

全天候專業技術支援團隊。獲得整合、優化和疑難排解方面的協助。

統一 API 平台

透過一個一致的 API 存取 400 多個 AI 模型（LLM、圖像、影片、音訊）。滿足您所有 AI 需求的單一整合。

在 Atlas Cloud 上體驗 DeepSeek-V3.2

透過企業級基礎設施、透明定價和無縫擴展，部署世界級開源 AI。

即時 API 存取

按需付費定價

企業級支援

探索類似模型

NEW

HOT

DeepSeek V4 Flash 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

參數

程式碼範例

安裝

驗證

HTTP 標頭

提交請求

Input Schema

範例請求主體

Output Schema

範例回應

Atlas Cloud Skills

支援的客戶端

安裝

設定 API Key

功能

MCP Server

支援的客戶端

安裝

設定

可用工具

DeepSeek-V3.2

競賽金牌成就

IMO 2025

IOI 2025

AIME

技術架構亮點

混合專家架構

稀疏注意力創新

先進訓練流程

應用場景

技術規格

模型變體對比

DeepSeek-V3.2

DeepSeek-V3.2-Speciale

為什麼選擇 Atlas Cloud 使用 DeepSeek-V3.2？

極具競爭力的價格

99.9% 正常運行時間 SLA

SOC 2 Type II 認證

閃電般的快速回應

專業技術支援

統一 API 平台

在 Atlas Cloud 上體驗 DeepSeek-V3.2

探索類似模型

DeepSeek V4 Flash 0731

DeepSeek V4 Pro

DeepSeek V4 Flash

DeepSeek V3.2 Exp

DeepSeek-V3.1

DeepSeek OCR

DeepSeek V3.1 Terminus

Qwen3.8 Max

Kimi K3

Grok 4.5

KAT Coder Pro V2.5

KAT Coder Air V2.5

Doubao Seed Character

Doubao Seed 2.1 Turbo

Doubao Seed 2.1 Pro

GLM 5.2

一個 API，暢享全模態 AI。

參數

程式碼範例

安裝

驗證

HTTP 標頭

提交請求

Input Schema

範例請求主體

Output Schema

範例回應

Atlas Cloud Skills

支援的客戶端

安裝

設定 API Key

功能

MCP Server

支援的客戶端

安裝

設定