硅基流動發佈實驗性模型DeepSeek-V3.2-Exp，支持160K上下文長度，價格直降超50%。該模型基於V3.1-Terminus深度優化，引入DeepSeek稀疏注意力機制，顯著提升長文本訓練和推理效率。
DeepSeek發佈實驗模型V3.2-exp，採用創新稀疏注意力機制，顯著降低長上下文操作的推理成本，使API成本減少一半。該模型爲開發者提供更經濟高效的AI解決方案。
DeepSeek發佈實驗模型V3.2-exp，採用創新的“稀疏注意力”機制顯著降低長上下文推理成本。該模型已在Hugging Face和GitHub同步上線，核心是通過“閃電索引器”和注意力機制優化處理效率。這一突破性技術有望推動AI在長文本處理領域的發展。
DeepSeek悄然上線新版模型，疑似V3.2版本。雖然官方未明確型號，但Hugging Face平臺出現對應命名空間，隨後又顯示404下架。V3系列此前已憑卓越性能和開源策略震動AI界，此次短暫亮相又神祕消失，更添懸念。
基於DeepSeek R1和V3模型的瀏覽器側邊欄AI工具，提供問答、創作、翻譯等功能
在Kie.ai上集成DeepSeek R1和V3 API，提供安全且可擴展的AI解決方案。
deepseek
-
輸入tokens/百萬
輸出tokens/百萬
128k
上下文長度
baidu
$4
$16
$1.94
$7.92
prithivMLmods
Mintaka-Qwen3-1.6B-V3.1是一個高效的、專注於科學推理的模型，基於Qwen-1.6B構建，並在DeepSeek v3.1合成軌跡（10,000條記錄）上進行訓練。它針對隨機事件模擬、邏輯問題分析和結構化科學推理進行了優化，在符號精度和輕量級部署之間取得了平衡。
QuixiAI
DeepSeek V3 0324的AWQ量化版本，由Eric Hartford和v2ray完成量化處理。該版本修復了使用float16時出現的溢出問題，優化了模型性能，支持在8張80GB GPU上以完整上下文長度運行。
DeepSeek V3的AWQ量化版本，優化了float16使用時的溢出問題，適合在8張80GB GPU上使用vLLM進行高效服務。
Transformers英語%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
