DeepSeek-V3.2 (Thinking)

Fiche modèle · DeepSeek · deepseek-reasoner

DeepSeek-V3.2 in thinking mode. A powerful reasoning model with 685B parameters using DeepSeek Sparse Attention (DSA). This mode enables extended chain-of-thought reasoning for complex problem-solving tasks. Supports JSON output and tool calls.

Fiches modèles

Identité

Organisation	DeepSeek
Pays	—
Famille	—
Type	llm
Date de sortie	2025-12-01
Licence	mit
Licence commerciale	oui
Licence open source	oui
Poids ouverts	oui
Auto-hébergement (DGX Spark)	non — 685 Md > 107 Md
Modalités	text
Fenêtre de contexte	—
KV cache / token (Q8)	—
Paramètres totaux	685 B
Paramètres actifs (session)	37 B
Source des paramètres actifs	web : https://huggingface.co/deepseek-ai/DeepSeek-V3.2
Curation des paramètres actifs	2026-11-04
Prix par session	—
Tokens / tâche (Data Players)	1.2 M
Tokens / tâche (Terminal-Bench)	83.3 M (est.)
Ratio Terminal-Bench / Data Players	69.4×
Coût / tâche (Terminal-Bench)	—
Tokens d'entraînement	—
Coupure de connaissance	—
Créé le	2026-05-07T16:53:28.197675Z
Mis à jour le	2026-11-04T06:04:39.480168Z
Source	LLM Stats
URL	https://llm-stats.com/models/deepseek-reasoner

Tokens/tâche

Prix par fournisseur

Prix

Statut du modèle (offres + auto-hébergement) : non — hors DGX Spark (> 107 Md).

Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».

Aucune donnée.

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

Catégorie	Score
language	0.80
legal	0.80
math	0.70
physics	0.80
reasoning	0.70
search	0.60
finance	0.80
frontend_development	0.70
general	0.70
healthcare	0.80
agents	0.50
biology	0.80
chemistry	0.80
code	0.70
tool_calling	0.50
vision	0.30

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
aime-2025	math	0.93	1.00	0.93	non	oui	2026-11-04T06:04:39.543159Z
browsecomp	reasoning	0.51	1.00	0.51	non	oui	2026-11-04T06:04:39.583212Z
browsecomp-zh	reasoning	0.65	1.00	0.65	non	oui	2026-11-04T06:04:39.593159Z
codeforces	math	0.80	3 000.00	0.80	non	oui	2026-11-04T06:04:39.533155Z
gpqa	reasoning	0.82	1.00	0.82	non	oui	2026-11-04T06:04:39.513001Z
hmmt-2025	math	0.90	1.00	0.90	non	oui	2026-11-04T06:04:39.553142Z
humanity's-last-exam	reasoning	0.25	1.00	0.25	non	oui	2026-11-04T06:04:39.518231Z
livecodebench	reasoning	0.83	1.00	0.83	non	oui	2026-11-04T06:04:39.523009Z
mmlu-pro	language	0.85	1.00	0.85	non	oui	2026-11-04T06:04:39.503553Z
swe-bench-multilingual	reasoning	0.70	1.00	0.70	non	oui	2026-11-04T06:04:39.572964Z
swe-bench-verified	reasoning	0.73	1.00	0.73	non	oui	2026-11-04T06:04:39.568307Z
t2-bench	agents	0.80	1.00	0.80	non	oui	2026-11-04T06:04:39.603118Z
terminal-bench-2	reasoning	0.46	1.00	0.46	non	oui	2026-11-04T06:04:39.563133Z
toolathlon	agents	0.35	1.00	0.35	non	oui	2026-11-04T06:04:39.611022Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
agents	124	—	11.06	4	trueskill	2026-10-19	model_history
code	92	—	22.63	4	trueskill	2026-10-19	model_history

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

Données

Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04