DeepSeek V3.2-Exp: página histórica e técnica da versão experimental

Atualizado e verificado em 17 de abril de 2026. Esta página foi reestruturada para tratar o DeepSeek V3.2-Exp como uma referência histórica e técnica do ecossistema DeepSeek AI. Ele foi uma versão experimental anunciada em 29 de setembro de 2025 para validar o DeepSeek Sparse Attention (DSA), melhorias de eficiência em contexto longo e caminhos técnicos que depois foram consolidados no DeepSeek V3.2.

Para novas integrações, produtos, automações e uso em produção, a recomendação editorial desta página é clara: comece pelos IDs atuais da API, deepseek-chat e deepseek-reasoner, que a documentação oficial associa ao DeepSeek-V3.2 com limite de contexto de 128K tokens. O V3.2-Exp continua relevante para estudo de arquitetura, comparação histórica, pesquisa sobre atenção esparsa e execução local dos pesos publicados, mas não deve ser apresentado como o modelo principal atual da API.

Nota editorial importante: o V3.2-Exp não deve ser tratado nesta página como “o melhor modelo para começar hoje”. Ele foi um passo experimental entre o V3.1-Terminus e o V3.2. Em 2026, esta página deve servir como arquivo técnico: explica o que o V3.2-Exp testou, por que foi importante e como ele se relaciona com o DeepSeek V3.2 atual.

Resumo rápido do status do DeepSeek V3.2-Exp

Item	Status correto em 17 de abril de 2026
Natureza	Versão experimental e intermediária da família DeepSeek.
Lançamento	29 de setembro de 2025.
Base técnica	Construído sobre o V3.1-Terminus para testar o DeepSeek Sparse Attention (DSA).
Principal contribuição	Validação de atenção esparsa para melhorar eficiência de treino e inferência em contextos longos.
Status atual	Histórico/técnico. Não é o foco recomendado para novas integrações via API pública.
Sucessor oficial	DeepSeek V3.2, anunciado em 1º de dezembro de 2025.
API pública atual	deepseek-chat e deepseek-reasoner correspondem ao DeepSeek-V3.2, segundo Models & Pricing da DeepSeek.
Uso recomendado hoje	Pesquisa, comparação histórica, estudo de DSA, reprodução técnica e análise da evolução da arquitetura.

O que foi o DeepSeek V3.2-Exp?

O DeepSeek V3.2-Exp foi uma versão experimental criada para testar uma direção arquitetural: tornar modelos de linguagem grandes mais eficientes em tarefas de contexto longo. A própria DeepSeek descreveu essa versão como um passo intermediário rumo a uma arquitetura de próxima geração, construída sobre o V3.1-Terminus e focada em validar o DeepSeek Sparse Attention.

Na época do lançamento, a DeepSeek afirmou que o V3.2-Exp estava disponível em App, Web e API, e que a atualização trazia redução de preços na API. Esse ponto deve ser entendido como uma fotografia histórica de setembro de 2025. Hoje, a página oficial de Models & Pricing informa que os IDs deepseek-chat e deepseek-reasoner correspondem ao DeepSeek-V3.2, não ao V3.2-Exp.

Portanto, a forma correta de apresentar esta página é: V3.2-Exp foi importante porque testou o caminho técnico que levou ao V3.2; porém, quando um desenvolvedor quer criar uma integração nova em 2026, ele deve usar a documentação atual da DeepSeek API e a página de preços, em vez de tratar o V3.2-Exp como alvo principal.

Linha do tempo técnica

Data	Evento	Impacto
22 de setembro de 2025	Atualização V3.1-Terminus	Base imediatamente anterior usada como referência para comparação.
29 de setembro de 2025	Lançamento do DeepSeek V3.2-Exp	Introdução pública do DSA para validar eficiência em contexto longo.
17 de novembro de 2025	Correção no código demo de inferência	A DeepSeek relatou ajuste relacionado ao RoPE no módulo indexer do demo de inferência.
1º de dezembro de 2025	Lançamento do DeepSeek V3.2	O V3.2 foi apresentado como sucessor oficial do V3.2-Exp.
17 de abril de 2026	Status editorial desta página	V3.2-Exp deve ser lido como referência histórica/técnica; V3.2 é o caminho recomendado para novas integrações.

DeepSeek Sparse Attention: a contribuição central

A principal inovação associada ao DeepSeek V3.2-Exp foi o DeepSeek Sparse Attention, ou DSA. Em modelos de linguagem tradicionais, o custo de atenção em contextos longos cresce rapidamente conforme a sequência aumenta. A proposta do DSA foi reduzir essa carga ao selecionar partes relevantes do contexto, em vez de calcular atenção densa sobre tudo o tempo inteiro.

De forma simples, o DSA tenta responder a uma pergunta prática: como permitir que um modelo trabalhe com textos muito longos sem tornar cada chamada lenta e cara demais? O V3.2-Exp serviu como experimento público para testar essa ideia em grande escala e medir se a eficiência poderia melhorar sem perda relevante de qualidade em benchmarks.

Contexto longo e limite de 128K tokens

O tema de contexto longo é central para entender por que o V3.2-Exp foi relevante. A documentação atual de Models & Pricing da DeepSeek informa contexto de 128K tokens para os IDs deepseek-chat e deepseek-reasoner associados ao DeepSeek-V3.2. No caso do V3.2-Exp, a importância histórica está no fato de ele ter testado a eficiência necessária para tornar esse tipo de contexto mais prático em tarefas reais.

Em aplicações como análise de contratos, leitura de documentação extensa, revisão de código, auditoria de logs e perguntas sobre bases de conhecimento, uma janela grande ajuda o modelo a receber mais informação em uma única requisição. Porém, contexto longo não elimina a necessidade de boa arquitetura: ainda é recomendável selecionar trechos relevantes, resumir histórico desnecessário, controlar custo e evitar enviar dados sensíveis sem necessidade.

Benchmarks e leitura correta dos resultados

Segundo o repositório oficial, a DeepSeek alinhou a configuração de treinamento do V3.2-Exp com o V3.1-Terminus para avaliar o impacto da atenção esparsa. Em benchmarks públicos, o objetivo declarado era mostrar desempenho comparável ao V3.1-Terminus enquanto se ganhava eficiência em contexto longo. Isso significa que a leitura correta do V3.2-Exp não é “um novo campeão definitivo”, mas sim “um experimento técnico bem-sucedido para validar eficiência”.

Por que esta página não deve recomendar V3.2-Exp para novas integrações?

Existem três razões principais. Primeiro, a DeepSeek lançou o DeepSeek V3.2 em dezembro de 2025 e o descreveu como sucessor oficial do V3.2-Exp. Segundo, a página atual de Models & Pricing informa que os IDs de modelo/modo da API pública, deepseek-chat e deepseek-reasoner, correspondem ao DeepSeek-V3.2. Terceiro, páginas antigas que chamam o V3.2-Exp de opção principal podem confundir usuários e criar contradição com páginas atuais de DeepSeek V3.2, API e preços.

A melhor solução editorial é manter a página, mas mudar seu propósito. Em vez de apagar o conteúdo, ela deve explicar a evolução histórica da família DeepSeek, preservar a autoridade técnica do site e direcionar o leitor para o modelo atual quando o objetivo for integração, automação ou produto em produção.

API atual: use deepseek-chat ou deepseek-reasoner

Na API pública atual, deepseek-chat e deepseek-reasoner são IDs de modelo/modo, não endpoints separados. O endpoint de chat continua sendo /chat/completions, com base URL https://api.deepseek.com. O modo deepseek-chat representa o DeepSeek-V3.2 em modo sem pensamento explícito, enquanto deepseek-reasoner representa o modo com raciocínio.

from openai import OpenAI

client = OpenAI(
    api_key="<DeepSeek API Key>",
    base_url="https://api.deepseek.com"
)

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": "Responda em português do Brasil com precisão."},
        {"role": "user", "content": "Explique o papel histórico do DeepSeek V3.2-Exp."}
    ]
)

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

Esse exemplo usa a API atual. Ele não está chamando “V3.2-Exp” como modelo ativo; está usando o DeepSeek-V3.2 por meio do ID deepseek-chat. Essa distinção evita a principal confusão que páginas antigas costumam criar.

Thinking Mode e parâmetros: cuidado com recomendações antigas

O modo de raciocínio atual pode ser usado com deepseek-reasoner ou com o parâmetro thinking habilitado. A documentação oficial informa que o Thinking Mode pode retornar reasoning_content, content e tool_calls. Ela também informa que alguns parâmetros comuns não devem ser tratados como controles efetivos nesse modo: temperature, top_p, presence_penalty e frequency_penalty não têm efeito; logprobs e top_logprobs podem gerar erro.

Por isso, se esta página mencionar parâmetros como temperature = 1.0 e top_p = 0.95, a frase deve ficar restrita ao contexto de execução local descrito nos repositórios de modelos, e não ao Thinking Mode da API. Misturar esses contextos pode levar desenvolvedores a configurar a API de forma incorreta.

Tool calls: o modelo não executa ferramentas sozinho

O DeepSeek V3.2 atual suporta tool calls tanto no modo sem pensamento quanto no Thinking Mode. No entanto, a regra operacional continua a mesma: o modelo retorna uma chamada estruturada, mas a aplicação é quem executa a ferramenta real. Se o modelo solicita get_weather, consulta a um CRM, busca em uma base interna ou execução de uma função, o backend precisa validar, executar e devolver o resultado ao modelo.

Essa distinção é importante para segurança. Nunca descreva o DeepSeek como se ele acessasse sistemas externos automaticamente sem controle. Em produção, defina schemas claros, valide argumentos, limite permissões, registre eventos e use aprovação humana em ações sensíveis.

Conversas multi-turno: a API é stateless

A documentação oficial da DeepSeek explica que a API /chat/completions é stateless: o servidor não registra automaticamente o histórico das requisições do usuário. Para manter uma conversa multi-turno, sua aplicação deve reenviar o histórico necessário no campo messages em cada chamada.

Esse ponto corrige outro erro comum em conteúdos antigos: dizer que o modelo “lembra” por si só do histórico. Na prática, a memória da conversa é uma responsabilidade da aplicação. Para produtos reais, isso significa controlar o tamanho do histórico, resumir conversas longas, proteger dados pessoais e considerar impacto de custo.

Context caching e custo

A DeepSeek informa que o Context Caching está habilitado por padrão para usuários da API. Quando uma nova requisição repete prefixos de contexto de requisições anteriores, a parte repetida pode contar como cache hit. Isso pode reduzir custo em fluxos com documentos longos, exemplos few-shot, bases de conhecimento e conversas com prefixos recorrentes.

Mesmo assim, cache não deve ser apresentado como garantia absoluta de economia. Ele depende de prefixos repetidos e do comportamento do cache. Para uma visão atual dos valores, consulte a página de preços do DeepSeek e a documentação oficial de Models & Pricing.

Execução local e estudo dos pesos publicados

O repositório oficial do DeepSeek V3.2-Exp no Hugging Face indica licença MIT e descreve caminhos de execução local com código de inferência, SGLang e vLLM. Isso é útil para pesquisadores e equipes com infraestrutura de GPU adequada. Porém, não deve ser vendido como uma opção simples para qualquer usuário: modelos desse porte exigem planejamento de hardware, memória, inferência distribuída, otimização, observabilidade e segurança.

# Exemplo conceitual inspirado no repositório oficial.
# Consulte sempre as instruções atuais do Hugging Face/GitHub antes de executar.

python -m sglang.launch_server \
  --model deepseek-ai/DeepSeek-V3.2-Exp \
  --tp 8 \
  --dp 8 \
  --enable-dp-attention

Para equipes que não precisam reproduzir o V3.2-Exp localmente, a API atual costuma ser o caminho mais simples. Para equipes que precisam estudar a arquitetura, comparar resultados históricos ou adaptar inferência, o V3.2-Exp continua sendo uma referência técnica valiosa.

Casos de uso adequados para esta página histórica

• Pesquisa sobre atenção esparsa: entender como DSA foi apresentado e quais problemas buscava resolver.
• Comparação entre versões: analisar a transição de V3.1-Terminus para V3.2-Exp e depois para V3.2.
• Estudo de contexto longo: compreender desafios de custo, latência e seleção de informação em janelas grandes.
• Reprodução técnica: testar pesos publicados, código de inferência, SGLang, vLLM e kernels associados.
• SEO e autoridade temática: manter uma página explicativa sobre a evolução dos modelos DeepSeek, sem confundir o usuário sobre qual modelo usar hoje.

Casos em que você deve ir direto para DeepSeek V3.2

• Construir chatbot, assistente, automação ou integração nova via API.
• Usar tool calls em produção.
• Implementar Thinking Mode com deepseek-reasoner.
• Planejar custos atuais com base em tokens e cache.
• Criar documentação de produto para usuários finais.
• Testar o DeepSeek em português no chat ou no app oficial.

Para esses cenários, leia primeiro: DeepSeek V3.2, DeepSeek API em português, preços da API DeepSeek e FAQ.

Correções editoriais aplicadas nesta versão

• Removida a chamada para “experimentar agora” o V3.2-Exp como se fosse o modelo principal atual.
• Corrigida a distinção entre endpoint e ID de modelo/modo: deepseek-chat e deepseek-reasoner são valores do campo model, não endpoints separados.
• Adicionado aviso de que a página é histórica/técnica e que novas integrações devem começar pelo DeepSeek V3.2.
• Corrigida a explicação de multi-turno: a API é stateless e a aplicação precisa reenviar histórico.
• Corrigida a explicação de tool calls: o modelo solicita a ferramenta, mas o backend executa.
• Separada a recomendação de parâmetros para execução local das regras do Thinking Mode na API.
• Marcadas imagens de preço e benchmark como registros históricos, não como fonte primária para decisões atuais.
• Reforçado o link interno para páginas atuais de modelos, API, preços, app, chat e FAQ.

Perguntas frequentes sobre DeepSeek V3.2-Exp

Fontes oficiais e leitura complementar

• DeepSeek API Docs — Introducing DeepSeek-V3.2-Exp
• DeepSeek API Docs — DeepSeek-V3.2 Release
• DeepSeek API Docs — Models & Pricing
• DeepSeek API Docs — Thinking Mode
• DeepSeek API Docs — Multi-round Conversation
• DeepSeek API Docs — Tool Calls
• DeepSeek API Docs — Context Caching
• Hugging Face — deepseek-ai/DeepSeek-V3.2-Exp
• GitHub — deepseek-ai/DeepSeek-V3.2-Exp

Conclusão

O DeepSeek V3.2-Exp foi uma etapa importante na evolução técnica da DeepSeek AI. Seu valor está em ter validado o DeepSeek Sparse Attention, melhorias de eficiência em contextos longos e a transição para modelos mais adequados a tarefas complexas. Porém, em 2026, ele deve ser apresentado como página histórica e técnica.

Para novas integrações, use deepseek-chat ou deepseek-reasoner conforme a necessidade do produto, consulte a documentação atual da API e confirme preços antes de estimar custos. Para estudo técnico, pesquisa e comparação histórica, o V3.2-Exp continua sendo uma referência útil dentro da trajetória que levou ao DeepSeek V3.2.