{"id":3432333,"date":"2025-12-03T10:04:46","date_gmt":"2025-12-03T09:04:46","guid":{"rendered":"https:\/\/datanorth.ai\/news\/deepseek-releases-v3-2-v3-2-speciale"},"modified":"2025-12-10T11:52:01","modified_gmt":"2025-12-10T10:52:01","slug":"deepseek-brengt-v3-2-v3-2-speciale-uit","status":"publish","type":"news","link":"https:\/\/datanorth.ai\/nl\/nieuws\/deepseek-brengt-v3-2-v3-2-speciale-uit","title":{"rendered":"DeepSeek Brengt V3.2 & V3.2 Speciale uit"},"content":{"rendered":"\n

Op 30 november kondigde DeepSeek-AI de release aan van DeepSeek-V3.2<\/strong> en DeepSeek-V3.2-Speciale<\/strong>, waarmee reasoning-first<\/em> modellen werden ge\u00efntroduceerd die zijn ontworpen voor agentic<\/em> applicaties. DeepSeek-V3.2 dient als de offici\u00eble opvolger van het experimentele V3.2-Exp model en behaalt prestaties op GPT-5-niveau, terwijl V3.2-Speciale rivaliseert met Gemini-3.0-Pro op het gebied van redeneercapaciteiten.<\/p>\n\n\n\n

Beschikbaarheid en toegang tot het model<\/h2>\n\n\n\n

DeepSeek-V3.2 is beschikbaar via meerdere kanalen, waaronder de DeepSeek-webinterface, mobiele app en API. Het model behoudt dezelfde gebruikspatronen als de voorgaande V3.2-Exp variant.<\/p>\n\n\n\n

DeepSeek-V3.2-Speciale is momenteel exclusief beschikbaar via API via een tijdelijk endpoint, toegankelijk tot 15 december 2025. Deze variant hanteert dezelfde prijsstructuur als V3.2, maar ondersteunt geen tool calls<\/em> tijdens de evaluatieperiode. De Speciale-variant is geoptimaliseerd voor complexe redeneertaken (reasoning tasks<\/em>), maar vereist een hoger tokenverbruik in vergelijking met het standaard V3.2-model.<\/p>\n\n\n\n

Beide modellen zijn vrijgegeven als open-source onder de MIT-licentie, waarbij de model weights<\/em> beschikbaar zijn op Hugging Face.<\/p>\n\n\n\n

Technische architectuur<\/h2>\n\n\n\n

DeepSeek-V3.2 introduceert DeepSeek Sparse Attention (DSA)<\/strong>, wat de computationele complexiteit vermindert van $O(L^2)$ naar $O(kL)$, waarbij $L$ de sequentielengte vertegenwoordigt en $k$ de geselecteerde tokens. Deze architecturele innovatie maakt een reductie van ongeveer 50% in computationele kosten mogelijk voor scenario’s met een lange context (long-context<\/em>), terwijl de prestaties van het model behouden blijven. Beide modellen ondersteunen context windows<\/em> tot 128.000 tokens.<\/p>\n\n\n\n

Het model maakt gebruik van een Mixture-of-Experts<\/strong> architectuur die per token slechts een subset van parameters activeert. Dit maakt effici\u00ebnte inference<\/em> mogelijk tegen API-prijzen die aanzienlijk lager liggen dan bij propri\u00ebtaire alternatieven.<\/p>\n\n\n\n

Benchmark-prestaties<\/h2>\n\n\n\n

DeepSeek-V3.2 behaalde 93,1% nauwkeurigheid op AIME 2025 wiskundeproblemen en bereikte een Codeforces-rating van 2386. Het model scoorde 85,0% op MMLU-Pro, 82,4% op GPQA Diamond en 83,3% op LiveCodeBench.<\/p>\n\n\n\n

DeepSeek-V3.2-Speciale demonstreerde 96,0% nauwkeurigheid op AIME 2025 en behaalde een Codeforces-rating van 2701. De Speciale-variant behaalde gouden medaille-prestaties in vier grote competities: de Internationale Wiskunde Olympiade 2025 (IMO), de Chinese Wiskunde Olympiade (CMO), de ICPC World Finals en de Internationale Informatica Olympiade (IOI).<\/p>\n\n\n\n

\"v3.2<\/figure>\n\n\n\n

‘Thinking’ in tool-use integratie<\/h2>\n\n\n\n

DeepSeek-V3.2 vertegenwoordigt het eerste model van DeepSeek dat redeneerprocessen direct integreert in scenario’s voor tool-calling<\/em>. Het model ondersteunt zowel thinking<\/em> als non-thinking<\/em> modi voor het gebruik van tools.<\/p>\n\n\n\n

De gehanteerde trainingsmethodologie maakte gebruik van een grootschalige pijplijn voor synthese van agentic tasks<\/em>, die meer dan 1.800 verschillende omgevingen en 85.000 complexe instructies dekte. Deze uitgebreide synthetische data zorgde voor aanzienlijke verbeteringen in generalisatie en het opvolgen van instructies (instruction-following<\/em>) binnen complexe interactieve omgevingen.<\/p>\n\n\n\n

Op agent-gerichte benchmarks behaalde DeepSeek-V3.2 scores van 73,1% op SWE-Verified, 70,2% op SWE-Multilingual, 46,4% op Terminal Bench 2.0 en 38,0% op MCP-Mark.<\/p>\n\n\n\n

Prijzen en implementatie<\/h2>\n\n\n\n

De API-prijzen worden tijdens de evaluatieperiode gehandhaafd op $0,028 per miljoen input-tokens voor zowel V3.2 als V3.2-Speciale. De open-source release stelt organisaties in staat om self-hosted deployments<\/em> te implementeren met volledige datacontrole en aanpassingsmogelijkheden.<\/p>\n\n\n\n

Het technische rapport en de implementatiedetails zijn beschikbaar via de offici\u00eble DeepSeek Hugging Face-repository<\/a>.<\/p>\n\n\n\n

Voor meer informatie kun je de offici\u00eble aankondiging van DeepSeek V3.2 bezoeken<\/a>.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"

Het open-source DeepSeek V3.2 levert baanbrekende AI-prestaties en is 25 keer goedkoper dan alternatieven. Lees er alles over in dit artikel.<\/p>\n","protected":false},"author":12,"featured_media":3432090,"template":"","tags":[],"news-category":[],"class_list":["post-3432333","news","type-news","status-publish","has-post-thumbnail"],"meta_box":[],"_links":{"self":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/news\/3432333","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/types\/news"}],"author":[{"embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/users\/12"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/media\/3432090"}],"wp:attachment":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/media?parent=3432333"}],"wp:term":[{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/tags?post=3432333"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/news-category?post=3432333"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}