Configurer DeepSeek V3.2 sur votre matériel, stack d'agents actif, qualité production en 14 jours

DeepSeek V3.2 est le modèle open-weight qui a battu GPT-5 sur les benchmarks de raisonnement les plus difficiles. Publié le 1er décembre 2025 sous licence MIT, il associe une architecture MoE 671 milliards totaux / 37 milliards actifs avec DeepSeek Sparse Attention, un motif épars à grain fin superposé à Multi-head Latent Attention qui réduit le coût d'inférence en contexte long tout en laissant la qualité de sortie quasiment intacte.

  • Bascule en production en 14 jours
  • Stack d'agents de code + recherche incluse
  • 671B total, 37B actifs par token (MoE) Paramètres
  • 128K tokens Fenêtre de contexte
  • 14 j Bascule en production

DeepSeek V3.2 en un coup d'œil

Les spécifications qui comptent pour choisir le modèle et le matériel.

Paramètres

671B total, 37B actifs par token

Architecture

MoE, 256 experts routés + 1 partagé, DeepSeek Sparse Attention

Fenêtre de contexte

128K tokens (sortie max 64K)

Licence

MIT

Publication

1er décembre 2025 (V3.2-Exp en septembre 2025)

Variantes

V3.2 (général), V3.2-Speciale (raisonnement profond, pas d'appel d'outils)

VRAM min (Q4)

376 Go total, multi-GPU obligatoire

VRAM min (FP8)

~675 Go, nœud 8x H200

Tokens/sec sur Mac Studio M3 Ultra 512 Go Q4

8-15 (utilisateur unique)

Tokens/sec sur 8x H100 FP8 vLLM

200-400 batché

Matériel qui fait tourner DeepSeek V3.2 en production

Trois niveaux, des SKU réels, des chiffres de débit réels.

  1. Niveau entrée : Mac Studio M3 Ultra 512 Go (14 999 $) en Q4

    Débit : 8-15 tokens/sec. Idéal pour : utilisateur power unique, recherche, raisonnement difficile occasionnel, pas pour le service en production.

  2. Niveau intermédiaire : 4x RTX Pro 6000 Blackwell 96GB (40-56K$) en Q4 ou 2x AMD MI300X 192GB

    Débit : 30-60 tokens/sec. Idéal pour : cabinets de 5 à 15 utilisateurs sur des problèmes difficiles, paramètres de labo, équipes à forte intensité de code.

  3. Niveau entreprise : 8x H100 80GB (200K$), 4x H200 141GB (150-200K$), ou 8x B200 FP4 (300K$+)

    Débit : 200-500 tokens/sec. Idéal pour : service en production, workflows agentiques, 50+ utilisateurs de raisonnement simultanés.

Choix de quantification pour ce modèle

GGUF, AWQ, FP8, INT4.

Quantification recommandée

FP8 natif sur Hopper et Blackwell pour la production. Q4_K_M pour Mac mono-utilisateur. Q2_K uniquement si vous devez tenir dans 192 Go et acceptez une baisse de qualité de 5 à 8% sur le raisonnement.

Compromis

Les modèles de raisonnement souffrent plus de la quantification agressive que les modèles de chat car la chaîne de pensée amplifie les erreurs de précision. Q4 tient bien sur les connaissances et le code de style édition. Q2_K montre une vraie instabilité sur les maths et le raisonnement structuré. Les démos 1.58-bit existent (2x RTX 4090 plus RAM) mais ne sont pas au niveau production.

GGUF Q2_K

Taille du fichier : 210 Go.

GGUF Q4_K_M

Taille du fichier : 376 Go.

FP8

Taille du fichier : ~675 Go.

FP16

Taille du fichier : 1,34 To.

Agents de codage que nous connectons à DeepSeek V3.2

DeepSeek Sparse Attention (DSA) donne une mise à l'échelle quasi-linéaire pour le contexte long, ce qui est décisif sur les boucles agentiques où le contexte croît à chaque appel d'outil.

Claude Code (avec endpoint personnalisé)

Cible d'intégration officielle de DeepSeek. SWE-bench Verified de 72 à 74% sur le framework Claude Code. Overridez OPENAI_BASE_URL vers votre vLLM. DeepSeek V3.2 est le modèle open qui se rapproche le plus de Claude Sonnet sur le harnais de Claude Code. Choix de Pineido quand l'acheteur veut une sortie de qualité Claude Code sans les dépenses API.

Roo Code

Officiellement benchmarké. Le papier DeepSeek note que Roo Code simule les interactions d'outils via des messages utilisateur, et la stratégie de gestion du contexte de DeepSeek V3.2 gère cela correctement. SWE-bench Verified de 72 à 74% sur le framework Roo Code. Multi-mode (Code, Architect, Ask) tous fonctionnels.

Cline

Fournisseur OpenAI Compatible, endpoint vLLM. Attention au bug vLLM actif où les balises d'appel d'outils DeepSeek peuvent fuir dans le contenu de raisonnement sur les boucles multi-tours. Les versions récentes de vLLM incluent le correctif (commit 36056). Épinglez vLLM >= 0.11.2.

Aider

Bonne compatibilité. Le format d'édition d'Aider s'aligne avec le suivi des instructions de DeepSeek. Utilisez --model openai/deepseek-v3.2 contre votre endpoint vLLM. La limite de contexte de 128K est la contrainte, pas la précision d'édition.

OpenHands

Agent basé sur des conteneurs. DeepSeek V3.2 avec Terminus en mode non-thinking a atteint 39.3 sur Terminal Bench 2.0 selon le papier. SWE-bench Verified de 72 à 74% se traduit par des performances solides en boucle autonome. Choix de Pineido pour les tâches à l'échelle du dépôt quand le budget exclut les API frontalières.

Continue.dev

config.yaml avec provider: openai, apiBase vers vLLM /v1, capabilities: [tool_use]. Le mode agent détecte automatiquement l'appel d'outils natif. Le parseur de raisonnement de DeepSeek V3.2 sépare la réflexion de la réponse, donc le panneau chat de Continue se rend proprement.

OpenCode / OpenClaw

Officiellement supporté selon le guide d'intégration d'agents de codage de DeepSeek. Configuration d'endpoint OpenAI en remplacement direct. Le framework Hermes Agent et Codex sont également listés dans les docs DeepSeek.

Cas d'usage des agents de codage

Où ce modèle + stack d'agents livre un vrai travail.

Ce que les clients ont dit après le lancement

Les retours des personnes qui étaient dans la pièce quand les décisions ont été prises.

I used to spend every Sunday reconciling contractor invoices. Now they match automatically. I got my weekends back.
Karen, Property ManagerDenver
We stopped debating architecture in circles and shipped a working release that leadership could evaluate live.
Declan, Head of OperationsLondon
They did not ask us to trust a rewrite plan. They proved one critical workflow first, then scaled from evidence.
Fatima, CTOSydney

Agents de recherche que nous déployons sur DeepSeek V3.2

La généralisation des tâches agentiques à longue queue est la caractéristique distinctive de DeepSeek V3.2 : 1 800 environnements et 85K invites complexes en post-formation.

GPT Researcher

Définissez OPENAI_BASE_URL sur vLLM. La trace de raisonnement de DeepSeek V3.2 rend l'étape de plan de GPT Researcher notablement meilleure. Des rapports de 5K à 8K mots avec 15+ sources se terminent en 5 à 10 minutes.

LangGraph

Défaut Pineido. Les stratégies de gestion du contexte de DeepSeek V3.2 s'adaptent au modèle de point de contrôle et reprise de LangGraph. Quand l'historique des outils dépasse 80% du budget 128K, LangGraph peut basculer sur la stratégie Résumé ou Suppression-75% et continuer proprement.

AnythingLLM

Fournisseur Generic OpenAI. Le parseur de raisonnement sépare la réflexion de la réponse finale dans l'interface chat d'AnythingLLM. Idéal pour les démos acheteurs car la trace de réflexion est visible et explique la réponse.

Open WebUI

L'appel d'outils et le téléversement de documents fonctionnent proprement. La bascule du mode raisonnement de DeepSeek s'expose via les paramètres par conversation d'Open WebUI. Attention à la limite de contexte de 128K sur les chats de documents lourds.

CrewAI

Équipes de recherche séquentielles. Le suivi des instructions de DeepSeek V3.2 est assez fort pour que le texte de rôle et d'objectif de CrewAI pilote les agents de manière fiable. Utilisez le mode thinking pour le rôle de chercheur, non-thinking pour le rôle de rédacteur.

AutoGen / AG2

GroupChat fonctionne mais attention au coût en tokens : chaque tour d'agent rejoue l'historique complet dans la fenêtre de 128K de DeepSeek. Utilisez la stratégie de gestion du contexte Suppression-75% pour maintenir les comptes de tours délimités.

LlamaIndex

Meilleure association de retrieval. Utilisez les moteurs de requête LlamaIndex pour l'indexation, puis exposez-les comme outils dans un agent LangGraph ou natif DeepSeek. Le parseur de raisonnement expose la logique de décision de retrieval dans la trace.

Cas d'usage des agents de recherche

Où ce modèle + stack d'agents de recherche livre des rapports que votre équipe utilise vraiment.

Frameworks que nous livrons pour les workflows d'agents en production

Choisissez le framework selon la forme du workflow.

LangGraph

Orchestration en production. Meilleure adaptation aux stratégies de gestion du contexte de DeepSeek.

CrewAI

Équipes séquentielles. Rapide à démontrer avec le fort suivi des instructions de DeepSeek.

AutoGen / AG2

GroupChat. Attention au budget de contexte sur les débats multi-agents avec le plafond de 128K de DeepSeek.

DSPy

Compilation des prompts. S'associe bien avec la trace de raisonnement de DeepSeek pour l'optimisation de la chaîne de pensée.

Pydantic AI

Agents type-safe. La fiabilité de sortie structurée de DeepSeek s'adapte aux schémas propres.

LlamaIndex

Couche de retrieval. Stack hybride avec orchestration LangGraph au-dessus.

Qui choisit DeepSeek V3.2

Trois profils d'acheteurs où ce modèle est la bonne réponse.

Cabinet de trading quantitatif, 25 chercheurs

Tâche : Code de stratégie, tarification de dérivés, validation mathématique complexe. Résultat : Raisonnement de classe médaille d'or IMO/IOI en interne. La licence MIT passe la revue juridique sans réserves. ROI du 8x H100 en 6 mois versus API frontalière payante.

Cabinet de propriété intellectuelle, 18 avocats

Tâche : Analyse d'art antérieur, rédaction de revendications, révision de spécifications techniques sur 10+ domaines techniques. Résultat : Qualité de raisonnement frontalière sur les revendications techniques difficiles, contexte complet de 128K pour la comparaison multi-brevets. La licence MIT signifie pas de friction d'attribution dans les livrables clients.

R&D biotechnologique, 30 scientifiques

Tâche : Raisonnement moléculaire, génération de protocoles, synthèse approfondie de littérature. Résultat : La variante Speciale offre un raisonnement de démonstration de théorèmes et de raisonnement profond à égalité avec les laboratoires fermés. Investissement matériel justifié par la qualité frontalière sans exposition des données via API.

DeepSeek V3.2 versus les concurrents les plus proches

Où ce modèle gagne, où il perd.

vs Qwen3 235B A22B

DeepSeek V3.2 gagne sur les maths les plus difficiles, le code et le raisonnement de niveau IMO. Qwen3 235B gagne sur le plancher matériel (143 Go versus 376 Go en Q4) et sur la flexibilité du mode thinking hybride. En dessous du budget 4x H100, Qwen3 235B est le choix rationnel.

vs GPT-5 (fermé)

DeepSeek V3.2 performe de manière comparable à GPT-5 sur les tâches courantes. V3.2-Speciale dépasse GPT-5 sur la démonstration de théorèmes et IMO, avec 96.0 à AIME 2025 contre 94.6 pour GPT-5-High. Le bémol est la verbosité : Speciale dépense bien plus de tokens de sortie pour atteindre ces scores. L'avantage pour V3.2 : les données restent sur votre matériel. Le coût : capex GPU de niveau entreprise.

vs Mistral Large 3 (675B MoE)

Les deux sont des MoE de classe 670B sur du matériel 128 Go+. Mistral Large 3 gagne sur la vision multimodale. DeepSeek V3.2 gagne sur le raisonnement et le code. Mistral Large 3 a une meilleure histoire pour les petits cabinets via les modèles frères 14B/8B/3B.

Comment Pineido configure les agents sur DeepSeek V3.2

Jour 4, vLLM sert V3.2 avec le parseur d'appel d'outils v32 plus le parseur de raisonnement.

Jour 4

vLLM sert DeepSeek V3.2 avec --tensor-parallel-size 8 (ou TP=2 avec DP/EP pour Hopper pour éviter la pénalité de bourrage de têtes), --tokenizer-mode deepseek_v32, --tool-call-parser deepseek_v32, --enable-auto-tool-choice, --reasoning-parser deepseek_v3, --max-model-len 131072. Épinglez vLLM >= 0.11.2 pour le correctif d'appel d'outils multi-tours.

Jour 6

Claude Code via override OPENAI_BASE_URL, Roo Code comme OpenAI Compatible, Cline pareil, Aider via --openai-api-base. Les échafaudages de classe SWE-bench fonctionnent directement car le pipeline de formation de DeepSeek incluait ces frameworks.

Jour 8

Open WebUI plus AnythingLLM en ligne. Bascule de raisonnement exposée par conversation. Les espaces de travail isolent les ensembles de documents sensibles.

Jour 10

Workflows LangGraph avec stratégies de gestion du contexte (Résumé, Suppression-75%) intégrées dans la logique de point de contrôle. Trois workflows livrés : recherche approfondie, revue de dépôt, triage client.

Jour 12

Autonomie de dépôt OpenHands. Taux de réussite SWE-bench Verified attendu autour de 70 à 73% sur les tâches courantes étant donné la plage de benchmark de 72 à 74% du modèle.

Jour 14

Pack de preuves avec taux de réussite d'appel d'outils, débit, exemples de trace de raisonnement, runbook et inventaire des agents livré.

Comment nous déployons DeepSeek V3.2 en 14 jours

Prix fixe.

  1. Jour 1

    Audit matériel. Confirmation du nœud GPU ou Mac 512 Go. Exécution de vraies invites de raisonnement sur V3.2 versus V3.2-Speciale. Choix de variante selon la charge de travail.

  2. Jour 4

    Service via vLLM avec FP8 sur Hopper ou Blackwell. Configuration de DeepSeek Sparse Attention pour les économies de coût en contexte long. API compatible OpenAI en amont.

  3. Jour 9

    RAG avec un reranker de haute qualité (BGE reranker v2-m3). Pipeline d'appel d'outils (V3.2 base uniquement, Speciale ne prend pas en charge les outils). RBAC, audit, télémétrie de coût par expert.

  4. Jour 14

    Test d'intrusion validé. Fichier NOTICE licence MIT déposé (une ligne). Bascule en production avec base de débit FP8.

Questions fréquentes, réponses simples

DeepSeek V3.2 est-il vraiment sous licence MIT ?

Oui. Le dépôt et les poids du modèle sont tous deux MIT. Pas de plafond MAU, pas de restriction commerciale, pas de chaîne d'attribution dans le produit. Licence conviviale pour les conseillers juridiques qui passe proprement toute revue d'achat. Vous pouvez redistribuer, affiner et intégrer dans des produits commerciaux sans contacter DeepSeek.

Puis-je faire tourner DeepSeek V3.2 sur un Mac Studio ?

Mac Studio M3 Ultra 512 Go en Q4 est le chemin de machine unique le moins cher. Environ 8 à 15 tokens par seconde pour un utilisateur. Correct pour la recherche, lent pour le service en production. En dessous de 192 Go de mémoire unifiée vous êtes forcé en Q2 ou 1.58-bit et la dégradation de qualité du raisonnement se voit sur les tâches difficiles.

Devons-nous déployer V3.2 base ou V3.2-Speciale ?

V3.2 base supporte l'appel d'outils et est le pilote quotidien pour les agents, RAG et le travail général. Speciale est la variante de raisonnement profond haute-compute, de classe médaille d'or sur IMO et IOI, mais ne supporte PAS l'appel d'outils. Utilisez base en production. Ajoutez Speciale comme endpoint spécialisé pour la file de raisonnement difficile si vous avez le budget GPU.

Jusqu'où pouvons-nous quantifier sans perdre en qualité ?

FP8 est quasi sans perte sur H100 et H200. Q4_K_M perd 2 à 4% sur les tâches courantes. Q2_K montre des baisses de 5 à 8% sur les maths et le raisonnement structuré. Pour un modèle de raisonnement, ne descendez pas en dessous de Q4 en production. Les chaînes de raisonnement amplifient les erreurs de quantification plus que les réponses en un seul tir.

DeepSeek V3.2 est-il une vraie alternative à Claude Sonnet pour les agents de codage ?

Sur les benchmarks de codage agentique, DeepSeek V3.2 se situe dans la tranche basse à moyenne des 70 sur SWE-bench Verified (72-74%), quelques points derrière GPT-5.1-High et Gemini 3 Pro et environ 7 à 9 points derrière le leader, Claude Opus 4.5 à environ 81%. Sur le travail de refactorisation courant, l'écart est rarement visible. Le facteur décisif est la licence : DeepSeek V3.2 est MIT, fonctionne sur votre matériel, sans processeur tiers, sans dépense API par token. Pour les acheteurs HIPAA, GDPR, défense ou NDA strict, cet écart de benchmark en vaut la peine. Pour une sortie de qualité frontalière sans les contraintes, routez hybridement les 10% les plus difficiles des tâches vers Claude via un endpoint BAA privé.

Quels flags vLLM DeepSeek V3.2 nécessite-t-il ?

--tokenizer-mode deepseek_v32 --tool-call-parser deepseek_v32 --enable-auto-tool-choice --reasoning-parser deepseek_v3. Sans les quatre, les appels d'outils retournent vide ou le raisonnement fuit dans le contenu. Épinglez vLLM >= 0.11.2 pour le correctif de streaming multi-tours (commit 36056). Sur Hopper, préférez TP=2 avec parallélisme de données et d'experts plutôt que TP=8 à cause d'une pénalité de remplissage de têtes du noyau dans flashmla_sparse.py.

671B total, 37B actifs par token (MoE) Paramètres

Réservez l'appel de cadrage de 30 minutes. Nous vous disons si DeepSeek V3.2 plus notre stack d'agents est le bon choix avant que vous signiez.

Prix fixe.

Jour 1 vous voyez le modèle exact, le matériel exact, le stack d'agents exact, le calcul de coût exact et la posture de conformité exacte.

Vous repartez avec

  1. Jour 0 (cette semaine) : appel de cadrage de 30 minutes. Liste courte de matériel, choix du modèle, proposition de stack d'agents, projection de coût dans votre boite mail vendredi
  2. Jour 1 : Audit matériel. Confirmation du nœud GPU ou Mac 512 Go. Exécution de vraies invites de raisonnement sur V3.2 versus V3.2-Speciale. Choix de variante selon la charge de travail.

ParFondateur et Imaginator

Pineido, basé à Strumica, North Macedonia, est une société de logiciels qui conçoit des sites web, des boutiques en ligne, des applications web et mobiles, de l’automatisation et de l’IA pour des entreprises d’ici et de l’étranger. Le travail est livré en sprints de 30 jours à prix fixe, et le code appartient au client.

Publié Mis à jour