Китайська AI-лабораторія DeepSeek випустила V3.2 у 2025 році, і модель набрала 96,0% на AIME 2025, при цьому стягуючи $0.028 за мільйон вхідних токенів — приблизно одна десята від вартості GPT-5. Компанія відкрила вихідний код всієї 671-мільярдної моделі параметрів під ліцензією MIT, зробивши продуктивність AI передового рівня доступною для всіх, хто має достатні обчислювальні ресурси. OpenAI, Google та Anthropic тепер стикаються з прямою конкуренцією від моделі, яка відповідає їхнім флагманським продуктам у математичному мисленні та кодуванні, водночас знижуючи їхні ціни на порядок величини.

DeepSeek досягла такої економічності завдяки архітектурним інноваціям, які зменшують обчислювальні накладні витрати без втрати якості. Лабораторія представила DeepSeek Sparse Attention (DSA), систему детального індексування, яка визначає значущі частини довгих контекстів і пропускає непотрібні обчислення. DeepSeek також вдосконалила свою архітектуру Mixture-of-Experts для використання 256 спеціалізованих експертних мереж на шар, активуючи лише 8 на токен, і усунула допоміжні втрати через новий підхід маршрутизації з bias-термом. Ці технічні рішення дозволили DeepSeek натренувати V3 за $5.5 мільйона — менше однієї десятої від того, що, як повідомляється, витрачають конкуренти —, а V3.2 безпосередньо базується на цій ефективній основі.

Реліз піднімає фундаментальні питання про конкурентний рів навколо закритих передових моделей і чи може преміальне ціноутворення вижити, коли відкриті альтернативи забезпечують порівнянну продуктивність за значно нижчою вартістю.

Прорив DeepSeek-V3.2

DeepSeek-V3.2 має загалом 671 мільярд параметрів, але архітектура Mixture-of-Experts активує лише 37 мільярдів на токен. Компанія випустила два варіанти у 2025 році: V3.2 для основного розгортання та V3.2-Special для високообчислювальних завдань міркування. V3.2-Special залишався доступним тимчасово до 15 грудня 2025 року, тоді як V3.2 слугує основною продакшн-моделлю.

Модель досягла результатів рівня золотої медалі в кількох міжнародних змаганнях у 2025 році, включаючи Міжнародну математичну олімпіаду (IMO), Китайську математичну олімпіаду (CMO), Міжнародний конкурс з програмування серед студентів (ICPC) та Міжнародну олімпіаду з інформатики (IOI). DeepSeek-V3.2 набрав 96,0% на Американському запрошувальному математичному іспиті (AIME) 2025 року, перевершивши GPT-5 High з 94,6% та зрівнявшись з Gemini 3 Pro з 95,0%. Модель також досягла 99,2% на Гарвард-MIT турнірі з математики (HMMT) 2025, порівняно з 97,5% у Gemini 3 Pro.

Порівняння цін

МодельКешовані токениСтандартні токениВихідні токени

DeepSeek V3.2 $0.028/млн токенів $0.28/млн токенів $0.42/млн токенів

GPT-5 — $1.25/млн токенів $10/млн токенів

Типове робоче навантаження з обробки 100 000 вхідних токенів і генерації 100 000 вихідних токенів коштує приблизно $0.07 з DeepSeek порівняно з $1.13 з GPT-5.

DeepSeek випустив V3.2 під ліцензією MIT і опублікував повні ваги моделі на Hugging Face. Організації можуть завантажувати, модифікувати та розгортати модель для комерційних цілей без обмежень, що дозволяє локальне розгортання для відповідності вимогам суверенітету даних або для власного налаштування в спеціалізованих доменах.

Глибокий огляд архітектури

Технічні інновації DeepSeek-V3.2 зосереджені на трьох областях: розрідженій увазі для довгих контекстів, вдосконаленому дизайну Mixture-of-Experts та балансуванні навантаження без допоміжних втрат. Ці архітектурні рішення працюють разом, забезпечуючи передову продуктивність при кардинальному зниженні обчислювальних витрат.

DeepSeek Sparse Attention

Стандартні механізми уваги трансформерів обчислюють зв'язки між усіма парами токенів у послідовності, що призводить до квадратичної обчислювальної складності зі збільшенням довжини контексту. Контекст із 128 000 токенів вимагає приблизно 16 мільярдів обчислень уваги (128 000²), що робить обробку довгих контекстів дорогою навіть із сучасними прискорювачами. DeepSeek Sparse Attention вирішує обчислювальне вузьке місце, визначаючи, які токени справді потребують уваги, та пропускаючи обчислення для менш релевантних пар.

Система DSA підтримує деталізований індекс, що відстежує семантичну важливість у вікні контексту. При обробці нового токена механізм уваги запитує індекс для визначення високоцінних токенів, які ймовірно містять релевантну інформацію, а потім обчислює повну увагу лише для цих вибраних токенів. Підхід відрізняється від фіксованих шаблонів розрідженої уваги (які можуть звертати увагу на кожен 10-й токен) динамічним вибором необхідних токенів на основі семантичного змісту, а не позиційних правил.

DeepSeek вперше представив DSA у V3.2-Exp у вересні 2025 року та досяг 50% зниження обчислювальних витрат для задач з довгим контекстом, зберігаючи показники якості, порівнянні з щільною увагою. Продакшн-релізу V3.2 успадковує ці переваги ефективності, роблячи контексти з 128 000 токенів економічно доцільними для високонавантажених застосувань.

Інновація розрідженої уваги особливо важлива для розуміння коду, аналізу документів та багатоетапних розмов, де релевантна інформація може з'являтися в будь-якому місці довгої історії. Моделі щільної уваги несуть точно такі ж обчислювальні витрати на токен незалежно від релевантності; DSA розподіляє обчислювальні ресурси на токени, що справді впливають на якість генерації.

Основа Mixture-of-Experts

DeepSeek-V3.2 реалізує архітектуру Mixture-of-Experts із 256 експертними мережами на шар, порівняно з 160 експертами у V2. Модель активує вісім експертів на токен: 1–2 спільних експерта, що обробляють загальні шаблони для всіх входів, плюс 6–7 маршрутизованих експертів, вибраних на основі змісту токена. Загальна кількість параметрів досягає 671 мільярда, але лише 37 мільярдів параметрів активуються для будь-якого окремого токена, утримуючи витрати на інференс на керованому рівні, зберігаючи здатність до спеціалізації.

Кожна експертна мережа спеціалізується під час навчання, різні експерти розвивають компетенції в доменах, таких як математичне міркування, генерація коду, наукове письмо або розмовна мова. Механізм маршрутизації навчається відправляти математичні токени до математично спеціалізованих експертів, токени коду до програмувальних експертів і так далі, дозволяючи моделі досягати експертного рівня продуктивності в різноманітних задачах без активації всіх 671 мільярда параметрів.

Архітектурний вибір безпосередньо вирішує фундаментальний компроміс у дизайні мовних моделей. Щільні моделі активують усі параметри для кожного токена, забезпечуючи послідовні обчислення, але обмежуючи загальну потужність для заданого бюджету інференсу. Розріджені MoE моделі зберігають величезну загальну потужність, активуючи лише підмножину параметрів, дозволяючи спеціалізацію в доменах, що вимагала б неймовірно великих щільних моделей.

Реалізація DeepSeek виділяє 1–2 спільних експерта на шар для обробки частих шаблонів у всіх типах входів: загальних слів, базової граматики та простих кроків міркування. Спільні експерти активуються для кожного токена незалежно від рішень маршрутизації, забезпечуючи збереження базової компетентності моделлю, перш ніж спеціалізовані експерти вдосконалюють вихід. Комбінація спільних та маршрутизованих експертів запобігає збоям моделі на входах поза розподілом, які можуть не потрапляти в домен навчання жодного експерта.

Балансування навантаження без допоміжних втрат

Архітектури Mixture-of-Experts стикаються з викликом балансування навантаження: механізми маршрутизації можуть відправляти більшість токенів до невеликої підмножини експертів, залишаючи інших експертів недовикористаними та нівелюючи мету спеціалізованої потужності. Навчання зазвичай сходиться до кількох домінуючих експертів, якщо система активно не заохочує збалансоване використання експертів.

Стандартні реалізації MoE додають допоміжні терміни втрат до цільової функції навчання, які карають незбалансоване використання експертів. Допоміжна втрата може вимірювати, скільки токенів отримує кожен експерт, і додавати штраф, коли використання стає перекошеним, заохочуючи механізм маршрутизації рівномірніше розподіляти токени між експертами. Однак допоміжні втрати конкурують із основною метою правильного передбачення наступного токена, потенційно погіршуючи якість моделі в обмін на кращий баланс навантаження.

DeepSeek-V3.2 повністю усуває допоміжні втрати та натомість реалізує балансування навантаження через термін зміщення в механізмі маршрутизації. Маршрутизатор обчислює оцінки спорідненості між кожним токеном та кожним експертом, а потім додає невелике негативне зміщення до експертів, які нещодавно отримали багато токенів. Термін зміщення робить надмірно використовуваних експертів дещо менш привабливими для майбутніх рішень маршрутизації без необхідності окремої функції втрат, що конфліктує з цільовою функцією якості.

Підхід дозволяє DeepSeek оптимізувати виключно для передбачення наступного токена, зберігаючи розумний баланс навантаження через механізм зміщення. Модель також усуває випадання токенів під час навчання (поширену техніку, коли моделі пропускають обчислення для деяких токенів, коли потужність експертів заповнюється), забезпечуючи повну обробку кожного токена від його вибраних експертів.

Від V3 до V3.2: Еволюція Ефективності

Прорив DeepSeek в ефективності почався з V3 у грудні 2024 року, коли лабораторія натренувала конкурентоспроможну передову модель за $5,5 мільйона використовуючи 2,788 мільйона H800 GPU годин. Конкуренти, як повідомляється, витратили $100 мільйонів або більше для тренування таких моделей як GPT-4, що робить 95% зниження витрат DeepSeek помітним навіть до розгляду додаткових оптимізацій V3.2.

DeepSeek досягла ефективності тренування V3 завдяки кільком технічним рішенням:

• FP8 змішане тренування з підвищеною точністю замість FP16 або BF16 точності, яку використовували більшість конкурентів, що приблизно вдвічі зменшило вимоги до пропускної спроможності пам'яті та дозволило використовувати більші розміри пакетів

• Власний алгоритм DualPipe для конвеєрного паралелізму, який покращив використання GPU порівняно зі стандартними конвеєрними підходами

• 14,8 трильйонів тренувальних токенів (менше ніж 15+ трильйонів токенів, використаних для моделей як Llama 3.1 405B) з мета багатотокенового передбачення, що покращило ефективність зразків

Основа V3 забезпечила конкурентоспроможну продуктивність при драматично нижчих витратах на тренування, але модель використовувала стандартну густу увагу для довгих контекстів. DeepSeek випустила V3.2-Exp у вересні 2025 року як експериментальний варіант, який представив DeepSeek Sparse Attention. Експериментальний реліз підтвердив, що розріджена увага може зменшити витрати на обробку довгих контекстів на 50% без вимірюваної деградації якості на ключових бенчмарках.

DeepSeek запустила V3.2 та V3.2-Special у 2025 році як готові до продакшену моделі, базуючись на експериментах V3.2-Exp. V3.2 орієнтована на mainstream розгортання через API та self-hosted сценарії, тоді як V3.2-Specialized акцентує на задачах високообчислювального мислення, таких як задачі математичних змагань та складні програмувальні виклики.

Еволюція від V3 до V3.2 демонструє фокус DeepSeek на ефективності тренування та інференсу, а не на чистій максимізації бенчмарків. Лабораторія натренувала V3 за одну двадцяту частину вартості порівнянних моделей, потім представила архітектурні вдосконалення в V3.2, які приблизно вдвічі зменшили витрати на інференс для задач з довгим контекстом. Складні ефективності дозволяють DeepSeek знизити ціни конкурентів на порядок величини, зберігаючи достатні маржі для роботи комерційного API сервісу.

Аналіз продуктивності бенчмарків

DeepSeek-V3.2 досягає потужних результатів у бенчмарках математичного міркування та кодування, водночас демонструючи конкурентоспроможну, але не лідируючу продуктивність у завданнях загальних знань. Профіль продуктивності робить V3.2 особливо придатним для технічних сфер, але свідчить про те, що користувачі віддають перевагу конкурентам для широкого відтворення фактичних знань.

Математика та міркування

БенчмаркDeepSeek V3.2GPT-5 HighGemini 3 Pro

AIME 2025 96.0% 94.6% 95.0%

HMMT 2025 99.2% — 97.5%

IMO 2025 Золота медаль — —

CMO 2025 Золота медаль — —

Putnam Золота медаль — —

DeepSeek-V3.2 набрав 96.0% на AIME 2025, перевершивши 94.6% GPT-5 High та досягнувши рівня 95.0% Gemini 3 Pro. Модель правильно розв'язала майже всі задачі на іспиті, призначеному для виявлення кращих учнів старших класів з математики у Сполучених Штатах, демонструючи сильну продуктивність у багатоетапному алгебраїчному та геометричному мірку­ванні.

Модель досягла 99.2% на HMMT 2025, перевершивши 97.5% Gemini 3 Pro. Задачі HMMT вимагають досконалих математичних технік поза типовими програмами старшої школи, включаючи складну теорію чисел, комбінаторику та доказове міркування. Майже досконала продуктивність DeepSeek-V3.2 свідчить про те, що модель надійно справляється з математикою університетського рівня.

Продуктивність кодування

БенчмаркDeepSeek V3.2GPT-5Gemini 3 Pro

LiveCodeBench 83.3% 84.5% 90.7%

SWE Multilingual 70.2% 55.3% —

SWE Verified 73.1% — 76.2%

Рейтинг Codeforces 2701 (Гросмейстер) — —

DeepSeek-V3.2 досяг 83.3% на LiveCodeBench, поступившись 84.5% GPT-5 та 90.7% Gemini 3 Pro. LiveCodeBench оцінює генерацію коду на нещодавно опублікованих програмних задачах, тестуючи здатність моделей застосовувати своє навчання до нових викликів, а не запам'ятовувати розв'язки типових бенчмаркових задач.

DeepSeek-V3.2 набрав 70.2% на SWE Multilingual, істотно перевершивши 55.3% GPT-5. SWE Multilingual тестує здатність моделі модифікувати існуючі кодові бази різними мовами програмування, вимагаючи розуміння структури коду, специфічних для мови ідіом та шаблонів рефакторингу. Перевага DeepSeek у 15 відсоткових пунктів над GPT-5 вказує на сильну продуктивність у завданнях розуміння та модифікації коду.

DeepSeek-V3.2 досяг рейтингу Codeforces 2701, помістивши модель у рівень Гросмейстера. Рейтинг 2701 перевищує показники 99.8% людських програмістів-змагальників та вказує на експертний рівень здібностей кодування.

Загальні знання та широка оцінка

DeepSeek-V3.2 набрав 30.6% на Humanity's Last Exam, поступившись 37.7% Gemini 3 Pro. Humanity's Last Exam навмисно тестує межі поточних можливостей AI з питаннями, що охоплюють незрозумілі дрібниці, креативне міркування та експертні знання в сферах як-от історія мистецтва, класична музика та спеціалізовані наукові знання. Розрив у 7 пунктів свідчить про те, що Gemini 3 Pro зберігає ширші фактичні знання, особливо в нетехнічних сферах.

Шаблон продуктивності в бенчмарках розкриває позиціонування DeepSeek-V3.2: модель відмінно справляється з точним технічним міркуванням у математиці та програмуванні, водночас демонструючи конкурентоспроможну, але не домінуючу продуктивність у завданнях загальних знань.

## Економіка: 10–25× переваги у вартості

Структура ціноутворення DeepSeek-V3.2 забезпечує драматичну економію коштів порівняно з конкуруючими передовими моделями, при цьому перевага варіюється залежно від характеристик навантаження та використання кешу.

Порівняння цін API

DeepSeek стягує $0.028 за мільйон вхідних токенів при обслуговуванні з кешу, $0.28 за мільйон вхідних токенів при промаху кешу та $0.42 за мільйон вихідних токенів. Ціноутворення для кешованих входів застосовується, коли модель нещодавно обробляла ідентичний контекст, що дозволяє DeepSeek повторно використовувати попередні обчислення замість обробки токенів з нуля.

OpenAI стягує $1.25 за мільйон вхідних токенів та $10 за мільйон вихідних токенів для GPT-5, без диференційованого ціноутворення кешу.

Приклад: 100K вхідних + 100K вихідних токенів

МодельВартість

DeepSeek V3.2 (50% кеш) $0.070

GPT-5 $1.125

GPT-5-mini $0.225

Gemini 3 Pro (орієнт.) $1.10–1.30

Claude 4.5 Sonnet (орієнт.) $1.30–1.80

DeepSeek забезпечує приблизно 16× економію коштів порівняно з GPT-5 для збалансованих навантажень читання-запису.

Приклад: навантаження з інтенсивним використанням кешу (1M вхідних @ 80% кеш + 200K вихідних)

МодельВартість

DeepSeek V3.2 $0.106

GPT-5 $3.25

GPT-5-mini $0.65

31× перевага DeepSeek над GPT-5 для навантажень з інтенсивним використанням кешу робить модель особливо привабливою для застосувань, які повторно обробляють подібні контексти.

Інновації у вартості навчання

DeepSeek навчила V3 за $5.5 мільйони використовуючи 2.788 мільйони GPU-годин H800, порівняно з повідомленими витратами на навчання, що перевищують $100 мільйонів для моделей на зразок GPT-4. Розрахунок вартості припускає $2 за GPU-годину H800, що відображає типове хмарне ціноутворення для високооб'ємних зарезервованих потужностей.

Вартість навчання у $5.5 мільйони створює принципово іншу економіку розробки моделей. Організації, які навчають конкурентні моделі менше ніж за $10 мільйонів, можуть швидко ітерувати, експериментувати з новими архітектурами та поглинати випадкові невдалі тренувальні прогони без екзистенційного фінансового ризику. Лабораторії, які витрачають $100+ мільйонів на тренувальний прогін, стикаються з суттєвим тиском максимізувати показники бенчмарків з першої спроби, що потенційно відлякує від архітектурного експериментування.

Економічні наслідки для розгортання

Перевага у вартості 10–25× змінює економіку розгортання для високооб'ємних застосувань:

Приклад: застосунок клієнтського сервісу, що обробляє 10B токенів/місяць

Модель Місячна вартість Річна різниця

DeepSeek V3.2 $2,800 —

GPT-5 $12,500–15,000 $116,000–146,000

Економіка також уможливлює абсолютно нові категорії застосувань, які залишаються неекономічними при ціноутворенні GPT-5: фоновий аналіз коду, що працює безперервно у великих репозиторіях, проактивне резюмування документів для баз знань або спекулятивні відповіді на запити стають життєздатними при ціновій точці DeepSeek. Структура вартості зміщує AI з преміум-функції, що потребує явного виклику користувачем, до навколишньої можливості, що працює безперервно у фоновому режимі.

## Наслідки для Open Source

DeepSeek випустив V3.2 під ліцензією MIT, забезпечивши необмежений доступ до вагових коефіцієнтів моделі та дозволивши комерційне використання, модифікацію та перерозподіл. Це рішення щодо ліцензування робить продуктивність AI найвищого класу доступною для будь-якої організації з достатньою інфраструктурою для інференсу, кардинально змінюючи конкурентну динаміку в AI-індустрії.

Умови ліцензії та доступність

Ліцензія MIT накладає мінімальні обмеження: користувачі повинні зберігати авторські примітки та застереження, але не стикаються з обмеженнями щодо комерційного розгортання, власницьких модифікацій або перерозподілу. Організації можуть завантажити вагові коефіцієнти моделі V3.2 з 671 мільярдом параметрів з Hugging Face та розгорнути їх на внутрішній інфраструктурі без постійних ліцензійних платежів, розподілу доходів або обмежень використання.

Ліцензія дозволяє тонке налаштування V3.2 на власницьких наборах даних для створення спеціалізованих варіантів для таких сфер, як правовий аналіз, медичні міркування або фінансове моделювання. Організації можуть тримати тонко налаштовані ваги приватними, а не випускати їх публічно, що забезпечує конкурентне розмежування через адаптацію до предметної області.

Демократизація передового AI

Випуск DeepSeek робить продуктивність, що конкурує з GPT-5, доступною для організацій, раніше виключених з можливостей передового AI:

• Стартапи: Добре фінансований стартап може розгорнути V3.2 на орендованій GPU-інфраструктурі приблизно за $20,000–50,000 на місяць

• Академічні дослідники: Можуть запускати V3.2 локально за одноразові витрати на інфраструктуру замість оплати за токен, що перевищило б більшість грантових бюджетів

• Регульовані галузі: Постачальники медичних послуг, фінансові установи та державні агентства можуть розгортати повністю on-premises, обробляючи конфіденційну інформацію без відправлення даних до зовнішніх API

Тиск на економіку закритих моделей

Конкурентний відкритий випуск DeepSeek змушує постачальників закритих моделей виправдовувати свою преміальну цінову політику. OpenAI стягує в 10–25 разів більше, ніж DeepSeek, за порівнянну продуктивність, що вимагає від клієнтів оцінювати фактори поза межами чистих метрик здатностей. Потенційні виправдання включають кращу підтримку клієнтів, кращі інструменти інтеграції, більш зрілі екосистеми або міцніші захисні бар'єри безпеки—але різниця у вартості вимагає суттєвих якісних переваг для подолання.

Тиск на ціноутворення посилюється, оскільки більше організацій набувають досвіду у розгортанні та експлуатації відкритих моделей. Складність інфраструктури наразі забезпечує захисний рів для закритих API; багато команд воліють платити премію, щоб уникнути управління GPU-кластерами, обробки квантизації моделі та налагодження проблем інференсу. Однак покращення інструментарію та зростаюче інженерне знайомство з розгортанням відкритих моделей поступово підривають операційні переваги сервісів лише з API.

Переваги продакшн розгортання

Технічні характеристики DeepSeek-V3.2 та його відкрита доступність створюють кілька переваг для продакшн розгортання окрім простої економії витрат.

Ефективність довгого контексту

DeepSeek-V3.2 підтримує контексти з 128,000 токенів і ефективно обробляє довгі входи через DeepSeek Sparse Attention. Механізм розрідженої уваги зменшує обчислювальні витрати приблизно на 50% у довгих контекстах порівняно з щільною увагою, роблячи обробку 128K токенів економічно вигідною навіть для високонавантажених додатків.

Розширена ємність контексту забезпечує додатки, які залишаються непрактичними з моделями, що пропонують коротші вікна:

• Розуміння коду: Цілі репозиторії (часто 50,000–100,000 токенів для проєктів середнього розміру) вміщуються в одному контексті V3.2

• Аналіз документів: Кілька повнорозмірних статей або звітів без стратегій сегментації

• Багаторазові розмови: Повне збереження історії без обрізання ранніх обмінів

Економічно ефективне масштабування

10–25-разова цінова перевага DeepSeek порівняно з GPT-5 дозволяє додатками масштабуватися до більшої бази користувачів або вищого обсягу на користувача без пропорційного зростання витрат. Додаток може дозволити собі 1,000 запитів GPT-5 на користувача на день за поточними цінами, але може підтримувати 10,000–25,000 запитів на користувача на день за еквівалентною вартістю з DeepSeek.

Економічна ефективність особливо корисна для агентних робочих процесів, де мовні моделі виконують множинні виклики інструментів, самокритику та ітераційні вдосконалення для одного користувацького запиту. Агент може споживати 100,000–500,000 токенів для обробки складного запиту, включаючи дослідження, планування, виконання та перевірку. Ціноутворення DeepSeek робить складні агентні системи економічно життєздатними для основних додатків.

Гнучкість самостійного хостингу

Організації можуть розгортати V3.2 на внутрішній інфраструктурі, отримуючи повний контроль над обробкою даних, поведінкою моделі та операційними витратами. Самостійний хостинг усуває занепокоєння щодо надійності API-провайдера, обмежень швидкості або змін політики, які можуть порушити сервіс.

Самостійно розгорнуте розгортання забезпечує кастомні модифікації, неможливі з сервісами лише API:

• Точне налаштування на приватних наборах даних

• Коригування форматування виводу відповідно до внутрішніх стандартів

• Модифікація фільтрів безпеки для спеціалізованих контекстів

• Тісна інтеграція з внутрішніми системами

Апаратні вимоги для розгортання V3.2 залежать від потреб пропускної здатності та толерантності до квантизації:

Точність	Вимоги пам'яті	Конфігурація GPU
Повний FP16	~1.3TB	8–16 H100/A100 (80GB)
8-біт квантизований	~670GB	4–8 H100/A100 (80GB)
4-біт квантизований	~335GB	2–4 H100/A100 (80GB)
## ## Переваги vs. Обмеження
Розуміння профілю продуктивності DeepSeek-V3.2 допомагає організаціям обирати відповідні моделі для своїх випадків використання.

Де DeepSeek перевершує інших

• Математичне міркування: 96.0% AIME, 99.2% HMMT, золоті медалі на IMO/CMO/Putnam демонструють найкращі в класі можливості

• Аналіз коду та рефакторинг: 70.2% SWE Multilingual суттєво перевершує 55.3% GPT-5

• Спортивне програмування: 2701 рейтинг Codeforces (рівень Grandmaster, перевершує 99.8% людей)

• Економічна ефективність: 10–25× цінова перевага дозволяє раніше непрактичні випадки використання

• Довгий контекст: 50% зменшення вартості через розріджену увагу для 128K входів

• Відкрита доступність: ліцензія MIT дозволяє налаштування, самостійний хостинг та повний контроль даних

Поточні обмеження

• Широта загальних знань: 30.6% на Humanity's Last Exam проти 37.7% у Gemini

• Генерація нового коду: 90.7% Gemini 3 Pro на LiveCodeBench перевершує 83.3% V3.2

• Зрілість екосистеми: GPT-4/5 має розширені інструменти, фреймворки та сторонні інтеграції

• Оптимізація виводу: більш зрілі альтернативи можуть спочатку досягати кращої пропускної здатності

• Складність самостійного хостингу: потребує експертизи з GPU інфраструктури та операційних процесів

Рекомендації щодо випадків використання

Віддавайте перевагу DeepSeek-V3.2 для:

• Застосунків математичного міркування, що потребують високої точності

• Аналізу коду, рефакторингу та розуміння великих кодових баз

• Високонавантажених API розгортань, де вартість визначає архітектурні рішення

• Пакетних робочих навантажень з високими показниками влучення кешу

• Застосунків, що потребують суверенітету даних через on-premises розгортання

• Дослідницьких проектів, що потребують розширеного доступу до моделі без заборчих API витрат

Розгляньте альтернативи, коли:

• Широкі загальні знання в різноманітних доменах визначають якість застосунку.

• Зрілість екосистеми та розширена інтеграція інструментів виправдовують преміальне ціноутворення.

• Максимальна якість генерації коду для нових програмістських викликів важливіша за вартість.

• Операційна простота та підтримка постачальника переважають міркування вартості.

• Застосунки потребують спеціалізованих властивостей безпеки або фільтрації контенту.

## Конкурентний ландшафт

Випуск DeepSeek-V3.2 посилює конкуренцію на ринку передових AI, надаючи відкриту, низьковартісну альтернативу закритим преміум-сервісам.

DeepSeek проти GPT-5

ВимірDeepSeek V3.2GPT-5

AIME 2025 96.0% 94.6%

LiveCodeBench 83.3% 84.5%

Вартість У 10–25 разів дешевше Преміум

Доступність Відкриті ваги, MIT Тільки API

Екосистема Зростає Зріла

Організації повинні обирати GPT-5, коли інтеграція з екосистемою, підтримка постачальника та операційна простота виправдовують у 10–25 разів вищі витрати. Організації повинні обирати DeepSeek-V3.2, коли ефективність витрат, гнучкість налаштування або вимоги суверенітету даних переважують над перевагами екосистеми GPT-5.

DeepSeek проти Gemini 3 Pro

ВимірDeepSeek V3.2Gemini 3 Pro

AIME 2025 96.0% 95.0%

HMMT 2025 99.2% 97.5%

LiveCodeBench 83.3% 90.7%

Humanity's Last Exam 30.6% 37.7%

Вартість У 10–20 разів дешевше Преміум

Застосунки, які підкреслюють математичну точність, технічне мислення або розуміння коду, відповідають сильним сторонам DeepSeek, тоді як ті, що потребують обширних загальних знань або передового генерування коду, можуть досягти кращих результатів з Gemini.

DeepSeek проти Claude 4

ВимірDeepSeek V3.2Claude 4.5 Sonnet

Вікно контексту 128K 200K

Мислення Порівнянне Порівнянне

Вартість У 13–18 разів дешевше Преміум

Якість розмови Добра Оптимізована для корисності

Організації, які пріоритизують якість вихідних даних і природний потік розмови, можуть віддати перевагу ретельному навчанню Claude для корисних, безпечних та чесних взаємодій. Організації, які пріоритизують технічну правильність і ефективність витрат, виявлять, що DeepSeek забезпечує порівнянне мислення за значно нижчою ціною.

Підсумок ринкового позиціонування

DeepSeek-V3.2 встановлює орієнтовану на цінність позицію на ринку передових AI: конкурентоспроможну продуктивність за ціною у 10–25 разів нижчою за закриті альтернативи. Це позиціонування створює тиск по всьому ринку, змушуючи закритих провайдерів виправдовувати преміум-ціни через переваги екосистеми, якість підтримки або значні розриви в продуктивності.

Ринок, здається, прямує до більшої сегментації, де закриті преміум-сервіси конкурують за якість і простоту використання, тоді як відкриті альтернативи конкурують за вартість і гнучкість.

Міркування щодо інфраструктури

Ефективне розгортання DeepSeek-V3.2 потребує ретельного врахування вимог до обладнання, операційних підходів та шаблонів інтеграції.

Варіанти розгортання

DeepSeek API надає найпростіший шлях розгортання. Організації можуть інтегрувати V3.2 через стандартні REST API без управління інфраструктурою. Команди, які не мають експертизи з GPU, або організації з невеликими обсягами використання часто виявляють, що офіційний API забезпечує оптимальну економічність та операційну простоту.

Самостійне розгортання у хмарі забезпечує баланс між контролем та керованою інфраструктурою. Організації можуть розгорнути V3.2 на хмарних GPU-інстансах від AWS, Google Cloud або Azure. Хмарне розгортання зазвичай коштує $20,000–50,000 на місяць і стає конкурентоспроможним з API DeepSeek при 100–300 мільярдах токенів на місяць.

Локальне розгортання забезпечує максимальний контроль та суверенітет даних. Потребує значних початкових капітальних інвестицій ($300,000–800,000 для готового до продакшену GPU-кластера) плюс поточні операційні витрати. Має економічний сенс для організацій з існуючою GPU-інфраструктурою, регуляторними вимогами або надзвичайно високими обсягами використання.

Гібридні підходи поєднують кілька стратегій — використання API для стандартного трафіку з одночасним запуском локального інференсу для чутливих даних.

Шаблони інтеграції

• API-first інтеграція: Стандартні REST API з використанням шаблонів запит-відповідь, знайомих backend-розробникам

• Локальне розгортання для чутливих даних: Обробка конфіденційної інформації без зовнішніх API-викликів

• Оптимізація пакетної обробки: Структурування робочих навантажень для максимізації частоти попадань у кеш

• Стратегії використання кешу: Ідентифікація часто використовуваних контекстів та структурування запитів для використання кешування (може знизити витрати на 50–70%)

Операційна експертиза

Розгортання GPU-інфраструктури продакшен-масштабу потребує спеціалізованої експертизи у високопродуктивних обчисленнях, оптимізації моделей та налагодженні систем інференсу. Організації повинні впоратися з оновленнями драйверів, термічним управлінням, апаратними збоями, квантизацією моделей, оптимізацією пакетної обробки та моніторингом продуктивності.

Для організацій, які розглядають великомасштабні розгортання, партнерство зі спеціалізованими провайдерами інфраструктури може впоратися з операційною складністю, зберігаючи при цьому переваги самостійного хостингу у витратах.

Погляд у майбутнє

Випуск DeepSeek-V3.2 позначає значущий момент в еволюції AI-індустрії, але технології продовжують швидко розвиватися.

Еволюція моделей

DeepSeek продовжує вдосконалювати V3.2 та розробляти майбутні версії. Прорив у вартості навчання, продемонстрований V3 ($5.5M проти $100M+ у конкурентів), свідчить про значний простір для подальшого підвищення ефективності. Кожне поліпшення ефективності накладається на попередні покращення, потенційно розширюючи перевагу DeepSeek у вартості над закритими конкурентами.

Спільнотне fine-tuning, ймовірно, створить спеціалізовані варіанти V3.2, оптимізовані для конкретних доменів — медичних, правових, наукових або репозиторіїв коду — створюючи експертні моделі, недоступні від провайдерів загального призначення.

Вплив на ціноутворення в індустрії

Цінова перевага DeepSeek у 10–25× змушує закритих провайдерів обґрунтовувати преміальне позиціонування або знижувати ціни. Закриті провайдери можуть:

• Більш явно сегментувати ринки з Premium проти бюджетних рівнів.

• Підкреслювати якісні відмінності (екосистема, безпека, підтримка)

• Прискорювати розвиток можливостей для збереження розриву у продуктивності.

Тиск на ціни видається неминучим. Існування надійних відкритих альтернатив за 10–25× нижчу вартість фундаментально змінює готовність клієнтів платити преміальні ціни за незначні поліпшення якості.

Прискорення прогресу Open Source

Відкритий випуск DeepSeek граничного класу демонструє, що відкрита розробка може зрівнятися із закритими дослідженнями як у можливостях, так і в ефективності. Ця валідація заохочує додаткові інвестиції в відкриті AI-дослідження.

Ліцензія MIT дозволяє внески спільноти, які прискорюють прогрес понад темп внутрішньої розробки DeepSeek. Оптимізовані движки виведення, техніки квантизації, фреймворки fine-tuning та інструменти розгортання виникають завдяки розподіленим зусиллям спільноти.

Відкриті граничні моделі також дозволяють дослідження безпеки, неможливі з закритими альтернативами. Науковці можуть вивчати внутрішні представлення, ретельно тестувати властивості безпеки, систематично вимірювати упередженість та аналізувати режими відмов без залежності від API-доступу.

Наслідки для AI-інфраструктури

Прорив DeepSeek у ефективності змінює планування інфраструктури для розгортання AI. Організації, які раніше передбачали, що граничний AI вимагає виключно API-доступу, тепер стикаються з життєздатними варіантами self-hosting.

Виробники обладнання стикаються зі зростаючим попитом на акселератори, оптимізовані для виведення. Експертиза, необхідна для розгортання виробничої AI-інфраструктури, стає все більш цінною, оскільки більше організацій переслідують стратегії self-hosting.

Висновок

DeepSeek-V3.2 забезпечує AI-продуктивність граничного класу при вартості в 10–25× нижчій, ніж закриті альтернативи, завдяки поєднанню архітектурних інновацій і проривів в ефективності тренування. Модель дорівнює або перевершує GPT-5 і Gemini 3 Pro на бенчмарках математичного міркування, при цьому знижуючи ціни їх API на порядок величини, зберігаючи повну відкриту доступність під ліцензією MIT.

Ключові технічні досягнення:

• DeepSeek Sparse Attention для ефективної обробки довгих контекстів (зниження вартості на 50%)

• Вдосконалена архітектура Mixture-of-Experts з 256 маршрутизованими експертами (671B загалом, 37B активних на токен)

• Балансування навантаження без допоміжних втрат, оптимізоване суто для якості генерації

• V3 навчений за $5.5 мільйона з використанням FP8 змішаної точності та нових методів паралелізму

Основні результати продуктивності:

• 96.0% AIME 2025 (перевершує 94.6% GPT-5 High)

• 99.2% HMMT 2025 (перевершує 97.5% Gemini 3 Pro)

• Золоті медалі на IMO, CMO та Putnam

• 2701 рейтинг Codeforces Grandmaster

• 70.2% SWE Multilingual (перевершує 55.3% GPT-5 на 15 пунктів)

Відкрита ліцензія MIT дозволяє само-хостинг, тонке налаштування та повний контроль даних — функції, неможливі з закритими альтернативами. Організації можуть розгортати V3.2 на внутрішній інфраструктурі для відповідності вимогам суверенітету даних, модифікувати модель для спеціалізованих галузей або проводити дослідження безпеки з повним доступом до внутрішніх механізмів моделі.

Закриті постачальники змушені виправдовувати преміальні ціни через переваги екосистеми, кращу підтримку або значні розриви в продуктивності — і необхідні диференціатори повинні подолати недолік у вартості в 10–25×. DeepSeek-V3.2 демонструє, що відкрита розробка може дорівнювати закритим дослідженням як за здібностями, так і за ефективністю, підтверджуючи життєздатність відкритого граничного AI і, ймовірно, прискорюючи інвестиції в прозору розробку моделей.

References

Технічна документація DeepSeek

DeepSeek-AI. "DeepSeek-V3 Technical Report." arXiv:2412.19437, грудень 2024.https://arxiv.org/abs/2412.19437

DeepSeek-AI. "DeepSeek-V3.2 Technical Report and Model Release." DeepSeek Research, 2025.https://github.com/deepseek-ai/DeepSeek-V3

DeepSeek-AI. "DeepSeek-V3.2 Model Weights." Hugging Face Model Hub, 2025.https://huggingface.co/deepseek-ai/DeepSeek-V3

DeepSeek-AI. "DeepSeek Platform and API Documentation." Доступно 1 грудня 2025.https://platform.deepseek.com/docs

DeepSeek-AI. "DeepSeek-V3.2-Exp and V3.2-Speciale Release Announcement." DeepSeek Blog, вересень 2025.https://www.deepseek.com/news

Ціноутворення та документація API

DeepSeek. "Документація з ціноутворення API." Доступ отримано 1 грудня 2025 року.https://platform.deepseek.com/pricing

OpenAI. "Ціноутворення API." Доступ отримано 1 грудня 2025 року.https://openai.com/api/pricing

OpenAI. "Умови надання послуг OpenAI." Доступ отримано 1 грудня 2025 року.https://openai.com/policies/terms-of-use

Google Cloud. "Ціноутворення Vertex AI: моделі Gemini." Доступ отримано 1 грудня 2025 року.https://cloud.google.com/vertex-ai/generative-ai/pricing

Anthropic. "Ціноутворення API." Доступ отримано 1 грудня 2025 року.https://www.anthropic.com/pricing

Anthropic. "Документація Claude API." Доступ отримано 1 грудня 2025 року.https://docs.anthropic.com/en/api

Організації бенчмарків та результати змагань

Mathematical Association of America. "American Invitational Mathematics Examination (AIME)." Доступ 1 грудня 2025.https://maa.org/math-competitions/invitational-competitions/aime

Harvard-MIT Mathematics Tournament. "About HMMT." Доступ 1 грудня 2025.https://www.hmmt.org

International Mathematical Olympiad. "About the IMO." Доступ 1 грудня 2025.https://www.imo-official.org/year_info.aspx?year=2025

Chinese Mathematical Olympiad Committee. "Chinese Mathematical Olympiad (CMO)." China Mathematical Society, 2025.

Mathematical Association of America. "William Lowell Putnam Mathematical Competition." Доступ 1 грудня 2025.https://maa.org/math-competitions/putnam-competition

Codeforces. "Competitive Programming Platform and Rating System." Доступ 1 грудня 2025.https://codeforces.com/ratings

"LiveCodeBench: Holistic and Contamination-Free Evaluation of Large Language Models for Code." Доступ 1 грудня 2025.https://livecodebench.github.io/leaderboard.html

Jimenez, Carlos E., et al. "SWE-bench: Can Language Models Resolve Real-World GitHub Issues?" Доступ 1 грудня 2025.https://www.swebench.com

Center for AI Safety. "Humanity's Last Exam: A Controversial and Adversarial Benchmark." Проект дослідницького бенчмарку, 2025.

Посилання на архітектуру та навчання

Vaswani, Ashish, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser, and Illia Polosukhin. "Attention Is All You Need." Advances in Neural Information Processing Systems 30 (2017): 5998–6008.https://arxiv.org/abs/1706.03762

Fedus, William, Barret Zoph, and Noam Shazeer. "Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity." Journal of Machine Learning Research 23, no. 120 (2022): 1–39.https://jmlr.org/papers/v23/21-0998.html

Zoph, Barret, et al. "Designing Effective Sparse Expert Models." arXiv:2202.08906, February 2022.https://arxiv.org/abs/2202.08906

GPU інфраструктура та обладнання

NVIDIA. "Архітектура GPU NVIDIA H100 Tensor Core." Документація NVIDIA Data Center, 2023.https://www.nvidia.com/en-us/data-center/h100

NVIDIA. "Технічні характеристики GPU H100 Tensor Core." Переглянуто 1 грудня 2025.https://resources.nvidia.com/en-us-tensor-core/nvidia-tensor-core-gpu-datasheet

Amazon Web Services. "Інстанси Amazon EC2 P5 (H100)." Переглянуто 1 грудня 2025.https://aws.amazon.com/ec2/instance-types/p5

Google Cloud. "Калькулятор вартості GPU." Переглянуто 1 грудня 2025.https://cloud.google.com/products/calculator

Microsoft Azure. "Розміри віртуальних машин, оптимізованих для GPU." Переглянуто 1 грудня 2025.https://azure.microsoft.com/en-us/pricing/details/virtual-machines/linux

Ліцензування відкритого коду

Open Source Initiative. "The MIT License." Доступ отримано 1 грудня 2025.https://opensource.org/license/mit

Порівняння моделей та галузевий аналіз

OpenAI. "Представляємо GPT-5: нашу найбільш можливу модель." OpenAI Research Blog, 2025.https://openai.com/research/gpt-5

OpenAI. "Системна карта GPT-5: безпека та можливості." Переглянуто 1 грудня 2025 року.https://openai.com/research/gpt-5-system-card

Google DeepMind. "Gemini 3: наша найбільш можлива сімейство AI-моделей." Google AI Blog, 2025.https://blog.google/technology/ai/google-gemini-ai-update

Google DeepMind. "Технічний звіт Gemini 3." Переглянуто 1 грудня 2025 року.https://deepmind.google/technologies/gemini

Anthropic. "Claude 4.5 Sonnet: покращений інтелект та розширений контекст." Anthropic News, 2025.https://www.anthropic.com/news/claude-4-5-sonnet

Anthropic. "Карта моделі Claude: Claude 4.5 Sonnet." Переглянуто 1 грудня 2025 року.https://www.anthropic.com/claude

Meta AI. "Зграя моделей Llama 3." arXiv:2407.21783, липень 2024.https://arxiv.org/abs/2407.21783

Аналіз витрат на навчання в індустрії

Vance, Alyssa, та Sam Manning. "Estimating Training Costs for Frontier Language Models." AI Economics Research Group, 2024. Промисловий аналіз на основі розкритих даних використання GPU-годин, цін на хмарні сервіси та оголошень постачальників.

"Large Language Model Training Costs Database." Epoch AI Research, 2024. Доступ отримано 1 грудня 2025 року.https://epochai.org/blog/training-compute-of-frontier-ai-models-grows-by-4-5x-per-year

Примітка щодо джерел

Бенчмарки продуктивності відображають офіційні оцінки моделей за стандартизованими тестами, які проводяться MAA (AIME), HMMT Organization, International Mathematical Olympiad, Codeforces та академічними дослідницькими бенчмарками (LiveCodeBench, SWE-bench). Ціни API відображають опубліковані тарифи з документації постачальників станом на грудень 2025 року. Оцінки витрат на навчання ($5,5 млн для DeepSeek V3 проти $100+ млн для конкуруючих передових моделей) базуються на розкритих DeepSeek даних використання GPU-годин (2,788 млн годин H800) та розрахунках промислових аналітиків з використанням цін на хмарні GPU. Специфікації технічної архітектури взяті з технічних звітів arXiv та офіційної документації моделей. Приклади розрахунку витрат передбачають типові патерни навантаження додатків, як задокументовано в керівництвах провайдерів API та аналізі поведінки кешу.