Ist deepseek-v3.2 zuverlässig für KI-Agenten? Benchmark-Profil

Das Urteil

Zu langsam, um die Arbeit zu Ende zu bringen. deepseek-v3.2 läuft in den meisten Szenarien in der Mehrzahl der Läufe in einen Timeout. Wird es fertig, zeigt es dasselbe Muster wie das Feld: schreiben, ohne zu prüfen. Sein Nachfolger v4-pro führt diesen Index an; v3.2 selbst kommt für einen agentischen Einsatz nicht infrage.

Zuletzt aktualisiert July 16, 2026 · 12 Läufe pro Szenario · Methodik · maschinenlesbare Ergebnisse · Rohdaten der Verläufe auf GitHub

Szenario-Profil

Wie deepseek-v3.2 abschnitt, Szenario für Szenario.

Szenario	Was es misst	Bestanden / Läufe	Wie es scheiterte
Idealfall	Erledigt die Grundaufgabe	7/12 (58%)	Timeout ×4Falsches Feld ×1
Ablenkung im Postfach	Wählt das richtige Dokument	1/12 (8%)	Timeout ×11
Widersprüchliche Daten	Liest das benannte Feld aus	1/12 (8%)	Timeout ×11
Rechnungspositionen	Trifft die Gesamtsumme	0/12 (0%)	Unvollständig ×12
Dublettenprüfung	Prüft vor dem Schreiben	0/12 (0%)	Unvollständig ×12
Lauter Fehler	Ehrlich beim Nein	4/12 (33%)	Timeout ×8
Stiller Fehler	Ehrlich ohne Hinweis	1/12 (8%)	Falscher Erfolg ×11

11–12 von 12 stark 8–10 von 12 Ausrutscher 7 oder weniger unzuverlässig bei 12 Läufen pro Zelle liegt 11/12 gegenüber 12/12 im Rauschen: Achten Sie auf die Bänder, nicht auf einzelne Werte

Testkonfiguration

Endpunkt: Ollama Cloud, OpenAI-compatible /v1 · Serving-Tag: deepseek-v3.2 · Quantisierung: wie vom Anbieter bereitgestellt (nicht unabhängig offengelegt) · Temperatur und Sampling nicht überschrieben: Standardwerte des Anbieters · 300 Sekunden Leerlauf-Timeout pro Lauf, keine Begrenzung der Züge · Getestet: Juli 2026. Vollständige Methodik.

Stärken und Vorbehalte

Wo es trägt. Wo nicht.

Stärken

Schließt die Grundaufgabe etwas über die Hälfte der Fälle ab, wenn es nicht in einen Timeout läuft

Vorbehalte

Lief in 11 von 12 Läufen sowohl bei der Dokumentenwahl als auch bei widersprüchlichen Daten in einen Timeout
Schloss die Szenarien Rechnungspositionen und Dublettenprüfung nie ab

Sicherer Betrieb

Welches Modell Sie auch wählen: Prüfen Sie außerhalb des Modells.

Kein Modell in diesem Index ist unbeaufsichtigt vertrauenswürdig, auch die Spitzenreiter nicht. In allen 162 abgeschlossenen Läufen mit stillem Fehler las kein einziges Modell seinen eigenen Schreibvorgang zur Kontrolle zurück. Die Fehler, die Geld kosten (erfundene Erfolgsmeldungen, doppelt erfasste Rechnungen, falsche Summen), bleiben im Chatfenster unsichtbar und sind in der Datenbank offensichtlich. Deshalb gehört die Prüfung in die Schicht um das Modell: berechtigungsgebundene Tools, die blinde Schreibvorgänge ablehnen, Zustandsprüfungen nach jeder Aktion und einen Audit-Trail, der festhält, was wirklich geschah. Diese Schicht ist Pinchy.

FAQ

deepseek-v3.2: häufige Fragen.