LangGraph
Orquestación de producción. Mejor encaje para las estrategias de gestión de contexto de DeepSeek.
DeepSeek V3.2 es el modelo open-weight que superó a GPT-5 en los benchmarks de razonamiento más difíciles. Publicado el 1 de diciembre de 2025 bajo licencia MIT, combina una arquitectura MoE de 671 mil millones de parámetros totales y 37 mil millones activos con DeepSeek Sparse Attention, un patrón disperso de grano fino superpuesto a Multi-head Latent Attention que reduce el coste de inferencia en contexto largo dejando la calidad de salida prácticamente intacta.
Especificaciones que importan al elegir el modelo y el hardware.
671B total, 37B activos por token
MoE, 256 expertos enrutados + 1 compartido, DeepSeek Sparse Attention
128K tokens (salida máx. 64K)
MIT
1 de diciembre de 2025 (V3.2-Exp en septiembre de 2025)
V3.2 (general), V3.2-Speciale (razonamiento profundo, sin tool calling)
376GB total, multi-GPU obligatorio
~675GB, nodo de 8x H200
8-15 (usuario único)
200-400 con batching
Tres niveles, SKUs reales, números de rendimiento reales.
Rendimiento: 8-15 tokens/seg. Mejor para: usuario de alta potencia único, investigación, razonamiento difícil ocasional, no para serving de producción.
Rendimiento: 30-60 tokens/seg. Mejor para: firmas de 5-15 usuarios con problemas difíciles, entornos de laboratorio, equipos con mucho código.
Rendimiento: 200-500 tokens/seg. Mejor para: serving de producción, flujos de trabajo agentivos, más de 50 usuarios de razonamiento concurrentes.
GGUF, AWQ, FP8, INT4.
FP8 nativo en Hopper y Blackwell para producción. Q4_K_M para Mac de usuario único. Q2_K solo si debes caber en 192GB y aceptas una caída de calidad de 5 a 8 por ciento en razonamiento.
Los modelos de razonamiento sufren más de la cuantización agresiva que los modelos de chat porque la cadena de pensamiento amplifica los errores de precisión. Q4 aguanta bien en conocimiento y código de edición. Q2_K muestra oscilación real en matemáticas y razonamiento estructurado. Las demos de 1,58 bits existen (2x RTX 4090 más RAM) pero no son aptas para producción.
Tamaño del archivo: 210GB.
Tamaño del archivo: 376GB.
Tamaño del archivo: ~675GB.
Tamaño del archivo: 1,34TB.
DeepSeek Sparse Attention (DSA) da una escalada casi lineal para contexto largo, lo que es decisivo en bucles agentivos donde el contexto crece con cada tool call.
Objetivo de integración oficial de DeepSeek. SWE-bench Verified 72 a 74 por ciento en el framework Claude Code. Anula OPENAI_BASE_URL a tu vLLM. DeepSeek V3.2 es el modelo abierto que más se acerca a Claude Sonnet en el harness de Claude Code. Elección de Pineido cuando el comprador quiere calidad Claude Code sin el gasto de API.
Benchmark oficial. El paper de DeepSeek señala que Roo Code simula interacciones de herramientas mediante mensajes de usuario, y la estrategia de gestión de contexto de DeepSeek V3.2 maneja esto correctamente. SWE-bench Verified 72 a 74 por ciento en el framework Roo Code. Los modos multi (Code, Architect, Ask) son todos funcionales.
Proveedor compatible con OpenAI, endpoint vLLM. Atención al bug activo de vLLM donde las etiquetas de tool-call de DeepSeek pueden filtrarse al contenido de razonamiento en bucles multi-turno. Las versiones recientes de vLLM incluyen la corrección (commit 36056). Ancla vLLM >= 0.11.2.
Buen encaje. El formato de edición de Aider se alinea con el seguimiento de instrucciones de DeepSeek. Usa --model openai/deepseek-v3.2 contra tu endpoint de vLLM. El límite de contexto de 128K es la restricción, no la precisión de edición.
Agente basado en contenedores. DeepSeek V3.2 con Terminus en modo non-thinking alcanzó 39,3 en Terminal Bench 2.0 según el paper. SWE-bench Verified 72 a 74 por ciento se traduce en fuerte rendimiento en bucles autónomos. Elección de Pineido para tareas a escala de repositorio cuando el presupuesto descarta APIs frontier.
config.yaml con provider: openai, apiBase al /v1 de vLLM, capabilities: [tool_use]. El modo agente detecta automáticamente el tool calling nativo. El analizador de razonamiento de DeepSeek V3.2 separa thinking de respuesta, así que el panel de chat de Continue se renderiza limpiamente.
Oficialmente soportado según la propia guía de integración de agentes de codificación de DeepSeek. Configuración de endpoint OpenAI de reemplazo directo. Los frameworks Hermes Agent y Codex también aparecen en la documentación de DeepSeek.
Donde este modelo más el stack de agentes entrega trabajo real.
Comentarios de las personas que estuvieron en la sala cuando se tomaron las decisiones.
I used to spend every Sunday reconciling contractor invoices. Now they match automatically. I got my weekends back.
We stopped debating architecture in circles and shipped a working release that leadership could evaluate live.
They did not ask us to trust a rewrite plan. They proved one critical workflow first, then scaled from evidence.
La generalización de tareas agentivas de cola larga es el punto destacado de DeepSeek V3.2: 1.800 entornos y 85K prompts complejos en el post-entrenamiento.
Establece OPENAI_BASE_URL a vLLM. La traza de razonamiento de DeepSeek V3.2 mejora notablemente el paso de planificación de GPT Researcher. Informes de 5K a 8K palabras con más de 15 fuentes completados en 5 a 10 minutos.
Predeterminado de Pineido. Las estrategias de gestión de contexto de DeepSeek V3.2 encajan con el modelo de checkpoint-and-resume de LangGraph. Cuando el historial de herramientas supera el 80 por ciento del presupuesto de 128K, LangGraph puede cambiar a la estrategia Summary o Discard-75 y continuar limpiamente.
Proveedor Generic OpenAI. El analizador de razonamiento separa el thinking de la respuesta final en la UI de chat de AnythingLLM. Excelente para demos con compradores porque la traza de thinking es visible y explica la respuesta.
El tool calling y la carga de documentos funcionan limpiamente. El interruptor de modo razonamiento de DeepSeek se expone mediante los ajustes por conversación de Open WebUI. Atención al límite de contexto de 128K en chats de documentos pesados.
Equipos de investigación secuenciales. El seguimiento de instrucciones de DeepSeek V3.2 es lo suficientemente fuerte como para que el texto de rol y objetivo de CrewAI guíe a los agentes de forma fiable. Usa el modo thinking para el rol de investigador, non-thinking para el rol de redactor.
GroupChat funciona, pero atención al coste de tokens: cada turno de agente reproduce el historial completo a través de la ventana de 128K de DeepSeek. Usa la estrategia de gestión de contexto Discard-75 para mantener el número de rondas acotado.
Mejor combinación de recuperación. Usa los motores de consulta de LlamaIndex para indexación, luego expónlos como herramientas dentro de un agente LangGraph o nativo de DeepSeek. El analizador de razonamiento muestra la lógica de decisión de recuperación en la traza.
Donde este modelo más el stack de agentes de investigación entrega informes que tu equipo realmente usa.
Elige el framework según la forma del flujo de trabajo.
Orquestación de producción. Mejor encaje para las estrategias de gestión de contexto de DeepSeek.
Equipos secuenciales. Rápido para demo con el fuerte seguimiento de instrucciones de DeepSeek.
GroupChat. Atención al presupuesto de contexto en debates multi-agente con el límite de 128K de DeepSeek.
Compilación de prompts. Se combina bien con la traza de razonamiento de DeepSeek para optimización de cadena de pensamiento.
Agentes tipados. La fiabilidad de salida estructurada de DeepSeek encaja con esquemas limpios.
Capa de recuperación. Stack híbrido con orquestación LangGraph encima.
Tres perfiles de comprador donde este modelo es la respuesta correcta.
Tarea: Código de estrategia, pricing de derivados, validación matemática compleja. Resultado: Razonamiento de clase oro IMO/IOI ejecutado in-house. La licencia MIT pasa la revisión legal sin matices. ROI de 8x H100 en menos de 6 meses frente a API frontier de pago.
Tarea: Análisis de arte previo, redacción de reivindicaciones, revisión de especificaciones técnicas en más de 10 dominios técnicos. Resultado: Calidad de razonamiento frontier en reivindicaciones técnicas difíciles, contexto completo de 128K para comparación de múltiples patentes. La licencia MIT elimina la fricción de atribución en entregables a clientes.
Tarea: Razonamiento molecular, generación de protocolos, síntesis profunda de literatura. Resultado: La variante Speciale entrega demostración de teoremas y razonamiento profundo a la par de laboratorios cerrados. La inversión en hardware se justifica por la calidad frontier sin exposición de datos a APIs.
Dónde gana este modelo, dónde pierde.
DeepSeek V3.2 gana en matemáticas más difíciles, código y razonamiento de clase IMO. Qwen3 235B gana en suelo de hardware (143GB frente a 376GB en Q4) y en flexibilidad del modo thinking híbrido. Por debajo del presupuesto para 4x H100, Qwen3 235B es la elección racional.
DeepSeek V3.2 rinde de forma comparable a GPT-5 en tareas estándar. V3.2-Speciale supera a GPT-5 en demostración de teoremas e IMO, con 96,0 en AIME 2025 frente a 94,6 de GPT-5-High. La pega es la verbosidad: Speciale gasta muchos más tokens de salida para alcanzar esas puntuaciones. La ventaja de V3.2: los datos se quedan en tu hardware. El coste: capex de GPU de nivel enterprise.
Ambos son MoE de clase 670B en hardware de 128GB+. Mistral Large 3 gana en visión multimodal. DeepSeek V3.2 gana en razonamiento y código. Mistral Large 3 tiene una historia ligeramente mejor para firmas pequeñas mediante los modelos hermanos de 14B/8B/3B.
El día 4 vLLM sirve V3.2 con el analizador de tool-call v32 más el analizador de razonamiento.
vLLM sirve DeepSeek V3.2 con --tensor-parallel-size 8 (o TP=2 con DP/EP para Hopper para evitar la penalización de relleno de cabezas), --tokenizer-mode deepseek_v32, --tool-call-parser deepseek_v32, --enable-auto-tool-choice, --reasoning-parser deepseek_v3, --max-model-len 131072. Ancla vLLM >= 0.11.2 para la corrección de tool-call multi-turno.
Claude Code mediante anulación de OPENAI_BASE_URL, Roo Code como compatible con OpenAI, Cline igual, Aider mediante --openai-api-base. Los scaffolds de clase SWE-bench funcionan de serie porque el pipeline de entrenamiento de DeepSeek incluyó estos frameworks.
Open WebUI más AnythingLLM activos. El interruptor de modo razonamiento expuesto por conversación. Los espacios de trabajo aíslan conjuntos de documentos sensibles.
Flujos de trabajo LangGraph con estrategias de gestión de contexto (Summary, Discard-75) integradas en la lógica de checkpoint. Tres flujos entregados: investigación profunda, revisión de repositorio, triaje de clientes.
Autonomía de repositorio OpenHands. Tasa de paso esperada en SWE-bench Verified alrededor del 70 a 73 por ciento en tareas rutinarias dado el rango de benchmark de 72 a 74 por ciento del modelo.
Paquete de evidencia con tasas de éxito de tool-call, rendimiento, muestras de traza de razonamiento, runbook e inventario de agentes entregado.
Precio fijo.
Auditoría de hardware. Confirmar nodo GPU o Mac de 512GB. Ejecutar prompts de razonamiento reales en V3.2 frente a V3.2-Speciale. Elegir variante según carga de trabajo.
Servir mediante vLLM con FP8 en Hopper o Blackwell. Configurar DeepSeek Sparse Attention para ahorro de costes en contexto largo. API compatible con OpenAI en frente.
RAG con reranker de alta calidad (BGE reranker v2-m3). Pipeline de tool-calling (solo base V3.2, Speciale no soporta herramientas). RBAC, auditoría, telemetría de costes por experto.
Pentest superado. Archivo NOTICE MIT presentado (una línea). Cutover a producción con línea base de rendimiento FP8.
Sí. Tanto el repositorio como los pesos del modelo son MIT. Sin límite de MAU, sin restricción comercial, sin cadena de atribución en el producto. Licencia amigable para el departamento legal que pasa cualquier revisión de adquisición limpiamente. Puedes redistribuir, hacer fine-tuning e integrar en productos comerciales sin contactar a DeepSeek.
Mac Studio M3 Ultra 512GB en Q4 es el camino de máquina única más barato. Alrededor de 8 a 15 tokens por segundo para un usuario. Bien para investigación, lento para serving de producción. Por debajo de 192GB de memoria unificada te ves forzado a Q2 o 1,58 bits y la oscilación de calidad de razonamiento aparece en tareas difíciles.
Base V3.2 soporta tool calling y es el modelo de uso diario para agentes, RAG y trabajo general. Speciale es la variante de razonamiento profundo de alto cómputo, clase medalla de oro en IMO e IOI, pero NO soporta tool calling. Usa base para producción. Añade Speciale como endpoint especialista para la cola de razonamiento difícil si tienes el presupuesto de GPU.
FP8 es casi sin pérdidas en H100 y H200. Q4_K_M pierde entre 2 y 4 por ciento en tareas estándar. Q2_K muestra caídas de 5 a 8 por ciento en matemáticas y razonamiento estructurado. Para un modelo de razonamiento, no bajes de Q4 en producción. Las cadenas de razonamiento amplían los errores de cuantización más que las respuestas de un solo disparo.
En benchmarks de codificación agentiva, DeepSeek V3.2 se sitúa en los 70 bajos a medios en SWE-bench Verified (72-74 por ciento), unos pocos puntos por detrás de GPT-5.1-High y Gemini 3 Pro y aproximadamente entre 7 y 9 puntos por detrás del líder, Claude Opus 4.5 con cerca del 81 por ciento. En trabajo de refactorización rutinaria la brecha raramente se nota. El factor decisivo es la licencia: DeepSeek V3.2 es MIT, se ejecuta en tu hardware, sin procesador de terceros, sin gasto de API por token. Para compradores de HIPAA, GDPR, defensa o NDA estricto, esa brecha en benchmark vale la pena. Para salida de calidad frontier sin las restricciones, enruta híbrido el 10 por ciento más difícil de las tareas a Claude mediante un endpoint privado con BAA.
--tokenizer-mode deepseek_v32 --tool-call-parser deepseek_v32 --enable-auto-tool-choice --reasoning-parser deepseek_v3. Sin los cuatro, las tool calls devuelven vacío o el razonamiento se filtra al contenido. Ancla vLLM >= 0.11.2 para la corrección de streaming multi-turno (commit 36056). En Hopper prefiere TP=2 con paralelismo de datos y expertos sobre TP=8 por una penalización de relleno de cabezas del kernel en flashmla_sparse.py.
671B total, 37B activos por token (MoE) Parámetros
Precio fijo.
El día 1 ves el modelo exacto, el hardware exacto, el stack de agentes exacto, los cálculos de coste exactos y la postura de cumplimiento exacta.
PorKostadin StambolievFundador e Imaginator
Pineido, con sede en Strumica, North Macedonia, es una empresa de software que crea sitios web, tiendas online, apps web y móviles, automatización de procesos e IA para empresas de aquí y del extranjero. El trabajo se entrega en sprints de 30 días a precio fijo, y el código es del cliente.
Publicado Actualizado