LangGraph
プロダクションオーケストレーション。DeepSeek のコンテキスト管理戦略に最適。
DeepSeek V3.2 は、最難関の推論ベンチマークで GPT-5 を上回ったオープンウェイトモデルです。2025年12月1日に MIT ライセンスでリリースされ、総パラメータ数 6710 億 / 有効 370 億の MoE アーキテクチャと DeepSeek Sparse Attention(Multi-head Latent Attention の上に重ねる細粒度のスパースパターンで、出力品質をほぼ維持したまま長コンテキスト推論コストを削減)を組み合わせています。
モデルとハードウェアを選ぶ際に重要なスペックです。
合計 671B、トークンあたりアクティブ 37B
MoE、256 ルーティング + 1 共有エキスパート、DeepSeek Sparse Attention
128K tokens(最大出力 64K)
MIT
2025年12月1日(V3.2-Exp は2025年9月)
V3.2(汎用)、V3.2-Speciale(深い推論、ツール呼び出し非対応)
376GB 合計、複数 GPU 必須
~675GB、8x H200 ノード
8〜15(シングルユーザー)
200〜400(バッチ)
3つの階層、実際の SKU、実際のスループット数値。
スループット: 毎秒 8〜15 トークン。最適用途: シングルパワーユーザー、リサーチ、不定期の高難度推論。プロダクション提供には不向き。
スループット: 毎秒 30〜60 トークン。最適用途: 難問を扱う 5〜15 ユーザー企業、ラボ環境、コードヘビーなチーム。
スループット: 毎秒 200〜500 トークン。最適用途: プロダクション提供、エージェントワークフロー、50名以上の同時推論ユーザー。
GGUF、AWQ、FP8、INT4。
プロダクションでは Hopper および Blackwell 向け FP8 ネイティブ。Mac シングルユーザーは Q4_K_M。192GB に収める必要があり推論品質の 5〜8% 低下を許容できる場合のみ Q2_K。
推論モデルは積極的な量子化の影響をチャットモデルより受けやすく、思考の連鎖が精度誤差を増幅します。Q4 は知識タスクや編集系コードには十分です。Q2_K は数学や構造化推論で明らかな品質低下が見られます。1.58 ビットのデモは存在しますが(2x RTX 4090 + RAM)、プロダクション品質ではありません。
ファイルサイズ: 210GB。
ファイルサイズ: 376GB。
ファイルサイズ: ~675GB。
ファイルサイズ: 1.34TB。
DeepSeek Sparse Attention(DSA)はコンテキストがツール呼び出しのたびに増えるエージェントループで決定的な優位性を持つ、長コンテキストに対してほぼ線形のスケーリングを実現します。
DeepSeek の公式統合ターゲット。Claude Code フレームワークで SWE-bench Verified 72〜74%。OPENAI_BASE_URL を vLLM に上書き。DeepSeek V3.2 は Claude Code のハーネスで Claude Sonnet に最も近いオープンモデルです。API 費用をかけずに Claude Code 品質の出力を求める場合の Pineido の選択肢。
公式ベンチマーク済み。DeepSeek の論文では Roo Code がユーザーメッセージ経由でツールインタラクションをシミュレートすると指摘しており、DeepSeek V3.2 のコンテキスト管理戦略がこれを正しく処理します。Roo Code フレームワークで SWE-bench Verified 72〜74%。マルチモード(Code、Architect、Ask)はすべて機能します。
OpenAI Compatible プロバイダー、vLLM エンドポイント。マルチターンループで DeepSeek のツール呼び出しタグが推論コンテンツに漏れる既知の vLLM バグに注意してください。最近の vLLM リリース(コミット 36056)で修正済みです。vLLM >= 0.11.2 を固定してください。
適合度が高い。Aider の編集フォーマットは DeepSeek の指示追従と相性が良いです。vLLM エンドポイントに対して --model openai/deepseek-v3.2 を使用。128K コンテキスト制限が制約となり、編集精度は問題になりません。
コンテナベースエージェント。DeepSeek V3.2 が Terminus の非思考モードで Terminal Bench 2.0 で 39.3 を達成。SWE-bench Verified 72〜74% は強力な自律ループパフォーマンスに相当します。フロンティア API の予算がない場合にリポジトリ規模のタスクに対する Pineido の選択肢。
provider: openai、apiBase を vLLM /v1 に、capabilities: [tool_use] を設定した config.yaml。エージェントモードはネイティブツール呼び出しを自動検出。DeepSeek V3.2 の推論パーサーは思考と応答を分離するため、Continue のチャットパネルがクリーンに表示されます。
DeepSeek 自身のコーディングエージェント統合ガイドで公式サポート済み。OpenAI エンドポイント設定をドロップインで使用。Hermes Agent および Codex フレームワークも DeepSeek ドキュメントに記載されています。
このモデル + エージェントスタックが実際の成果を出す場面。
決定がなされたときに部屋にいた人々からのフィードバック。
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.
DeepSeek V3.2 の際立った特徴は長尾エージェントタスクの汎化能力です。
OPENAI_BASE_URL を vLLM に設定。DeepSeek V3.2 の推論トレースにより GPT Researcher のプラン手順が明らかに向上します。5K〜8K ワード、15 以上のソースを持つレポートが 5〜10 分で完成します。
Pineido のデフォルト。DeepSeek V3.2 のコンテキスト管理戦略は LangGraph のチェックポイントと再開モデルと相性が良いです。128K バジェットの 80% を超えるツール履歴がある場合、LangGraph は Summary または Discard-75 戦略に切り替えてクリーンに継続できます。
汎用 OpenAI プロバイダー。推論パーサーが AnythingLLM のチャット UI で思考と最終回答を分離して表示します。思考トレースが表示されて回答を説明するため、バイヤーへのデモに最適です。
ツール呼び出しとドキュメントアップロードがクリーンに動作します。DeepSeek の推論モード切り替えは Open WebUI の会話ごとの設定で公開されています。重いドキュメントチャットでは 128K コンテキスト制限に注意してください。
連続型リサーチクルー。DeepSeek V3.2 の指示追従能力は非常に高く、CrewAI のロールとゴールテキストでエージェントを確実に制御できます。リサーチャーロールには思考モード、ライターロールには非思考モードを使用してください。
GroupChat は機能しますが、トークンコストに注意してください。エージェントターンごとに DeepSeek の 128K ウィンドウ全体の履歴が再送されます。Discard-75 コンテキスト管理戦略を使用してラウンド数を制限してください。
最適なリトリーバルペアリング。インデックス用に LlamaIndex クエリエンジンを使用し、LangGraph または DeepSeek ネイティブエージェント内のツールとして公開します。推論パーサーがトレースでリトリーバル判断ロジックを表示します。
このモデル + リサーチエージェントスタックがチームに実際に役立つレポートを提供する場面。
ワークフローの形状でフレームワークを選択してください。
プロダクションオーケストレーション。DeepSeek のコンテキスト管理戦略に最適。
連続クルー。DeepSeek の強力な指示追従でデモが高速。
GroupChat。DeepSeek の 128K 上限でマルチエージェントディベートのコンテキストバジェットに注意。
プロンプトコンパイル。DeepSeek の推論トレースと連鎖思考最適化の相性が良い。
型安全エージェント。DeepSeek の構造化出力信頼性がクリーンなスキーマに適合。
リトリーバル層。上位に LangGraph オーケストレーションを組み合わせたハイブリッドスタック。
このモデルが正解となる3つのバイヤープロファイル。
タスク: 戦略コード、デリバティブ価格設定、複雑な数学的検証。成果: IMO・IOI 金メダルクラスの推論を社内で実行。MIT ライセンスは条件なしで法務審査を通過。6 ヶ月以内に有料フロンティア API 対比 8x H100 の ROI を回収。
タスク: 先行技術調査、クレーム起草、10 以上の技術領域にわたる技術仕様書レビュー。成果: 難しい技術クレームに対するフロンティア推論品質、複数特許比較のための完全な 128K コンテキスト。MIT ライセンスにより依頼人の成果物に帰属表示の手間が不要。
タスク: 分子推論、プロトコル生成、深い文献合成。成果: Speciale バリアントが閉鎖ラボと同等の定理証明と深い推論を実現。API データ漏洩なしのフロンティア品質によりハードウェア投資が正当化。
このモデルが勝つ場面、負ける場面。
DeepSeek V3.2 は最難関の数学、コード、IMO クラスの推論で優位。Qwen3 235B はハードウェア最低要件(Q4 で 143GB 対 376GB)とハイブリッド思考モードの柔軟性で優位。4x H100 予算を下回る場合、Qwen3 235B が合理的な選択肢。
DeepSeek V3.2 は汎用タスクで GPT-5 と同等の性能。V3.2-Speciale は定理証明と IMO で GPT-5 を超え、AIME 2025 で96.0 を記録(GPT-5-High は94.6)。難点は冗長さで、Speciale はそのスコアに到達するため出力トークンを大幅に多く消費します。V3.2 の優位点: データが自社ハードウェア上に留まる。コスト: エンタープライズグレードの GPU 設備投資。
ともに 128GB+ ハードウェア上の 670B クラス MoE。Mistral Large 3 はマルチモーダルビジョンで優位。DeepSeek V3.2 は推論とコードで優位。Mistral Large 3 は 14B/8B/3B の兄弟モデルを通じて小規模企業向けのストーリーがやや優れている。
4日目に vLLM が v32 ツール呼び出しパーサーと推論パーサーで V3.2 を提供。
--tensor-parallel-size 8(または Hopper では head-padding ペナルティを回避するため TP=2 と DP/EP)、--tokenizer-mode deepseek_v32、--tool-call-parser deepseek_v32、--enable-auto-tool-choice、--reasoning-parser deepseek_v3、--max-model-len 131072 で vLLM が DeepSeek V3.2 を提供。マルチターンのツール呼び出し修正のため vLLM >= 0.11.2 を固定。
OPENAI_BASE_URL 上書きで Claude Code、OpenAI Compatible で Roo Code、同様に Cline、--openai-api-base で Aider。DeepSeek のトレーニングパイプラインにこれらのフレームワークが含まれているため、SWE-bench クラスのスキャフォールドがそのまま動作。
Open WebUI と AnythingLLM を稼働。推論トグルを会話ごとに公開。機密ドキュメントセットをワークスペースで分離。
コンテキスト管理戦略(Summary、Discard-75)をチェックポイントロジックに組み込んだ LangGraph ワークフロー。3つのワークフローを納品: 深いリサーチ、リポジトリレビュー、顧客トリアージ。
OpenHands のリポジトリ自律処理。モデルの 72〜74% ベンチマーク範囲を考慮すると、通常タスクで SWE-bench Verified 通過率は 70〜73% 程度が期待値。
ツール呼び出し成功率、スループット、推論トレースサンプル、ランブック、エージェントインベントリを含むエビデンスパックを納品。
固定料金。
ハードウェア監査。GPU ノードまたは 512GB Mac を確認。V3.2 と V3.2-Speciale に実際の推論プロンプトを実行し、ワークロードに合ったバリアントを選択。
Hopper または Blackwell の FP8 で vLLM を通じて提供。長コンテキストコスト削減のために DeepSeek Sparse Attention を設定。OpenAI 互換 API を前面に配置。
高品質リランカー(BGE reranker v2-m3)を用いた RAG。ツール呼び出しパイプライン(V3.2 ベースのみ、Speciale はツール非対応)。RBAC、監査、エキスパートごとのコストテレメトリ。
ペンテスト完了。MIT ライセンスの NOTICE ファイル記入(1行)。FP8 スループットベースラインでプロダクション移行。
はい。リポジトリとモデルウェイトの両方が MIT です。MAU 上限なし、商用制限なし、製品内の帰属表記文字列なし。調達審査をクリーンに通過できる法務フレンドリーなライセンスです。DeepSeek に連絡することなく、商用製品での再配布、ファインチューニング、組み込みが可能です。
Mac Studio M3 Ultra 512GB での Q4 実行が最安の単一マシン構成です。1ユーザーで毎秒 8〜15 トークン程度。リサーチには問題ありませんが、プロダクション提供には低速です。192GB 統合メモリを下回ると Q2 または 1.58 ビットが強制され、難しいタスクで推論品質のぶれが顕著になります。
ベース V3.2 はツール呼び出しをサポートし、エージェント、RAG、一般業務の日常ドライバーです。Speciale は高計算深い推論バリアントで IMO および IOI で金メダルクラスですが、ツール呼び出しをサポートしていません。プロダクションにはベースを使用してください。GPU 予算があれば、難しい推論キュー用の専門エンドポイントとして Speciale を追加してください。
FP8 は H100 と H200 でほぼ無損失です。Q4_K_M は汎用タスクで 2〜4% の低下。Q2_K は数学や構造化推論で 5〜8% の低下が見られます。推論モデルでは、プロダクションで Q4 以下に下げないでください。推論チェーンは単発回答よりも量子化誤差を増幅します。
エージェントコーディングベンチマークでは、DeepSeek V3.2 は SWE-bench Verified で70台前半から半ば(72〜74%)に位置し、GPT-5.1-High や Gemini 3 Pro を数ポイント下回り、首位の Claude Opus 4.5(約81%)より約7〜9 ポイント低い水準です。通常のリファクタリング作業では差は見えにくいです。決定的な要因はライセンスです。DeepSeek V3.2 は MIT で自社ハードウェアで動作し、サードパーティプロセッサなし、トークン単位の API 費用なし。HIPAA、GDPR、防衛、厳格な NDA のバイヤーにとって、このベンチマーク差は許容範囲です。制約なしのフロンティア品質出力が必要な場合は、最難関の 10% のタスクをプライベート BAA エンドポイント経由で Claude にルーティングするハイブリッド構成を検討してください。
--tokenizer-mode deepseek_v32 --tool-call-parser deepseek_v32 --enable-auto-tool-choice --reasoning-parser deepseek_v3。4つ全部がないと、ツール呼び出しが空を返すか、推論がコンテンツに漏れます。マルチターンストリーミング修正(コミット 36056)のため vLLM >= 0.11.2 を固定してください。Hopper では flashmla_sparse.py のカーネル head-padding ペナルティのため TP=8 よりデータ並列と専門家並列を組み合わせた TP=2 を推奨します。
671B total, 37B active per token (MoE) パラメータ数
固定料金。
1 日目に正確なモデル、ハードウェア、エージェントスタック、コスト計算、コンプライアンス姿勢をご確認いただけます。
著者Kostadin Stamboliev創業者・Imaginator
Pineido, 拠点: Strumica, North Macedonia, は、国内外の企業向けにウェブサイト、オンラインショップ、ウェブ・モバイルアプリ、業務の自動化、AI を開発するソフトウェア会社です。30 日間のスプリントを固定価格で納品し、コードはお客様のものになります。
公開日 更新日