Adakah berat model terbuka dan boleh saya jalankan ini secara tempatan?

Ya — DeepSeek-V3.1-Terminus dikeluarkan di bawah lesen MIT dan berat model ada di Hugging Face di deepseek-ai/DeepSeek-V3.1-Terminus. Struktur model sama seperti DeepSeek-V3, jadi alat inferens tempatan yang sama boleh digunakan, walaupun model besar dan memerlukan perkakasan yang kukuh.

Berapa kos dan berapa panjang tetingkap konteks?

Melalui API, harga adalah $0.27 setiap juta token input dan $1.00 setiap juta token output, dengan tetingkap konteks 163,840 token.

Bagaimana Terminus berbeza daripada DeepSeek V3.1?

Terminus adalah keluaran tampalan, bukan model baru — ia menyasarkan dua kelemahan khusus: konsistensi bahasa (kurang output campuran Cina-Inggeris) dan prestasi agen (Agen Kod dan Agen Carian). Kebanyakan skor penanda aras hampir sama dengan V3.1, tetapi tugasan agen seperti SWE-bench dan Terminal-bench menunjukkan peningkatan paling jelas.

DeepSeek V3.1 Terminus

1961°

#llm #deepseek #penalaran #ejen #pengaturcaraan #tempatan

Jalankan model ini

Tawaran / Iklan

OpenRouter Terminal / API

Bayar setiap token

Bual dengan model ini dalam pelayar atau panggil ia dari kod anda dengan satu kunci API.

DeepSeek | konteks token 163,840 | $0.27/M input, $1.00/M output. DeepSeek-V3.1 Terminus adalah kemas kini kepada [DeepSeek V3.1](/deepseek/deepseek-chat-v3.1) yang mengekalkan keupayaan asal model sambil menangani isu yang dilaporkan oleh pengguna, termasuk konsistensi bahasa dan keupayaan agen, serta mengoptimumkan model lebih lanjut...

Panduan untuk model ini

LLM tempatan terbaik mengikut kegunaan (Oktober 2026): model terbuka yang sesuai untuk setiap kerja

Berapa banyak VRAM yang saya perlukan untuk AI tempatan?

Berat terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya kamu dibenarkan lakukan

Apakah fail GGUF? Model kuantisasi diterangkan (Q4, Q8, fp8, NF4)

Semua panduan

Nota Kapten

Ditulis oleh Captain, editor rumah

Nota dari 2026-10-13

DeepSeek-V3.1-Terminus adalah kemas kini terarah kepada DeepSeek V3.1 dari DeepSeek, membaiki dua aduan khusus: output campuran bahasa dan prestasi agen yang lemah. Peningkatan penanda aras sederhana pada kebanyakan tugasan tetapi bermakna pada tugasan agen — SWE-bench, BrowseComp dan Terminal-bench semuanya meningkat. Ia sesuai untuk pembangun yang membina agen kod atau carian yang sudah menggunakan V3.1 dan menghadapi masalah tersebut.

Dikenali untuk

Prestasi Agen Kod dan Agen Carian lebih kuat berbanding V3.1
Mengurangkan output campuran Cina-Inggeris dan aksara asing
Skor SWE-bench kukuh: 68.4% disahkan, 57.8% pelbagai bahasa
Lesen MIT — berat model terbuka dan bebas digunakan secara komersial
Tetingkap konteks 163,840 token dengan kos di bawah $1.50/M gabungan

Berhati-hati dengan

Isu format data skala FP8 yang diketahui dalam self_attn.o_proj; DeepSeek mengatakan pembaikan akan datang.
Model besar — menjalankannya secara tempatan memerlukan perkakasan serius; periksa keperluan VRAM sebelum memuat turun.
Penarafan Codeforces sedikit menurun berbanding V3.1, jadi pengguna pengkodan kompetitif tulen mungkin tidak melihat peningkatan.

Terbaik untuk

Ejen dan penggunaan alat

Pengaturcaraan

Penalaran

Jalankan secara tempatan

Arahan untuk cuba

Agen tugasan terminal

Anda mempunyai akses ke terminal. Projek Python di /app gagal ujian suite. Jalankan ujian, baca output, kenal pasti punca utama, tampal fail berkaitan, dan jalankan ujian semula untuk mengesahkan pembaikan. Tunjukkan setiap arahan yang anda jalankan dan terangkan alasan anda antara langkah.

Refaktor pelbagai fail

Saya ada aplikasi Flask di mana panggilan pangkalan data tersebar di pengendali laluan. Refaktor supaya semua akses DB melalui satu lapisan repositori. Tunjukkan struktur fail baru, modul repositori, dan dua contoh pengendali laluan yang ditulis semula untuk menggunakannya. Kekalkan tingkah laku sedia ada.

Teka-teki penalaran sukar

Lima jurutera masing-masing memiliki bahasa pengaturcaraan berbeza, minum minuman berbeza, dan duduk dalam barisan lima meja. Jurutera Rust duduk bersebelahan dengan peminum teh. Jurutera Python di salah satu hujung. Peminum kopi dua tempat dari jurutera Go. Jurutera TypeScript minum air. Siapa yang minum espresso, dan bahasa apa yang mereka gunakan? Tunjukkan alasan anda.

Bandingkan dengan

DeepSeek V4.1 Flash
Model berat terbuka
konteks 1,048,576 token · Input $0.04/M, output $0.68/M
DeepSeek V4 Flash 0731
Model berat terbuka
konteks 1,048,576 token · Input $0.01/M, output $1.28/M
DeepSeek V4 Flash 0423
Model berat terbuka
konteks 1,048,576 token · Input $0.09/M, output $0.18/M
DeepSeek V4 Pro 0813
Model berat terbuka
konteks 1,048,576 token · Input $1.32/M, output $3.96/M

Lebih banyak model teks dari deepseek

Soalan yang sering ditanya

Adakah berat model terbuka dan boleh saya jalankan ini secara tempatan?: Ya — DeepSeek-V3.1-Terminus dikeluarkan di bawah lesen MIT dan berat model ada di Hugging Face di deepseek-ai/DeepSeek-V3.1-Terminus. Struktur model sama seperti DeepSeek-V3, jadi alat inferens tempatan yang sama boleh digunakan, walaupun model besar dan memerlukan perkakasan yang kukuh.
Berapa kos dan berapa panjang tetingkap konteks?: Melalui API, harga adalah $0.27 setiap juta token input dan $1.00 setiap juta token output, dengan tetingkap konteks 163,840 token.
Bagaimana Terminus berbeza daripada DeepSeek V3.1?: Terminus adalah keluaran tampalan, bukan model baru — ia menyasarkan dua kelemahan khusus: konsistensi bahasa (kurang output campuran Cina-Inggeris) dan prestasi agen (Agen Kod dan Agen Carian). Kebanyakan skor penanda aras hampir sama dengan V3.1, tetapi tugasan agen seperti SWE-bench dan Terminal-bench menunjukkan peningkatan paling jelas.

Keputusan Kapten
Tampalan munasabah untuk pengguna V3.1 yang menghadapi pepijat campuran bahasa atau memerlukan kebolehpercayaan agen lebih baik — bukan sebab untuk bertukar jika anda tidak mengalaminya.

Kad model di Hugging Face

Kapten menulis nota ini berdasarkan penerangan model dan kad model itu sendiri. Harga dan saiz konteks adalah dari penyedia pada masa penulisan dan boleh berubah.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Bagaimana skor ini dijumlahkan

Model ini belum ada data populariti dari mana-mana sumber lagi, jadi ia membawa nombor gantian di bawah 7,000° yang memastikan senarai lengkap. Ia tidak pernah menduduki tempat lebih tinggi daripada model yang ada data. Pecahan muncul di sini sebaik sahaja sumber melaporkannya.

Glosari: istilah yang digunakan di sini

Skor heat: Satu nombor untuk seberapa banyak model digunakan dan diingini sekarang, dari 0° hingga 9,999°. Setiap senarai di laman ini yang kata paling panas disusun mengikutnya dan tiada yang lain.
Lantai: 7,000° yang setiap model dengan data sebenar bermula. Skala dari 0° hingga 9,999°; bahagian bawah lantai untuk pengganti (model tanpa data), supaya model dengan data sentiasa lebih tinggi dari yang tiada. Lantai sama untuk semua dan tidak tentukan apa-apa; darjah di atasnya adalah ukuran.
Setara muat turun: Semua yang skor anggap sebagai muat turun, dijumlahkan: muat turun sendiri, setiap torrent seeder sebagai 1,000, setiap imej AI Horde dan setiap larian di laman generasi sebagai satu.
Skala log: Mengira dengan puluhan, bukan satuan: dari 1,000 ke 10,000 muat turun tambah darjah sama seperti dari 10,000 ke 100,000. Ini elak gergasi menindas yang lain.
Suka: Jempol dan suka dari semua sumber, bernilai separuh muat turun pada skala log.
Kadar penerimaan: Berapa banyak muat turun sehari model dapat sekarang, dari beza dua bacaan sumber. Berat suku dari terma muat turun.
Diukur dan dianggarkan: Diukur bermaksud ada dua bacaan dari satu sumber dan perbezaannya adalah nyata. Dianggarkan bermaksud hanya jumlah hari ini yang diketahui dan masa lalu diagihkan sepanjang hayat model; laman web akan memberitahu yang mana satu ia tunjukkan.
Seeder: Seseorang yang menyimpan salinan berat secara dalam talian untuk dimuat turun oleh orang lain melalui torrent, atau cermin yang dihoskan melakukan perkara yang sama. Setiap satu dikira sebagai 1,000 muat turun.
AI Horde: Rangkaian sukarelawan yang menjana imej secara percuma pada komputer yang didermakan. Bilangan imej yang telah dihasilkan dengan model adalah awam, dan setiap satu dikira sebagai satu muat turun.
Laman penjanaan: Laman yang menghoskan salinan model mereka sendiri dan membenarkan orang menjana dengannya, seperti PixAI, SeaArt dan Yodayo. Muat turun mereka dikira seperti Civitai dan setiap sesi penjanaan dikira sebagai satu muat turun.
Token OpenRouter: Model teks yang disediakan melalui API, seperti Claude atau GPT, tidak mempunyai berat untuk dimuat turun, jadi penggunaannya diukur dalam token: bahagian teks yang dibaca dan ditulis melalui OpenRouter, pintu masuk yang digunakan oleh banyak aplikasi, dalam 30 hari terakhir. Setiap 10,000,000 token dikira sebagai satu muat turun. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Berat itu sendiri, fail yang menjana secara sendiri. Ia mendapat bonus kerana add-on bergantung padanya.
LoRA dan embedding: Fail add-on kecil yang mengarahkan berat orang lain ke arah gaya, watak atau konsep. Ia tidak boleh dijalankan sendiri.
Keluarga dan berat: Asas yang model dibina, seperti SD 1.5, SDXL, Flux atau Wan. Setiap model mewarisi tarikh keluaran berat keluarganya.
Umur: Darjah yang ditolak berdasarkan berapa lama berat keluarga itu dikeluarkan: 150° setahun, sehingga 750°. Ia mengekalkan muat turun lama yang mempunyai masa bertahun-tahun untuk terkumpul dengan membekukan di bahagian atas senarai.
Peningkatan keluarga: Dorongan kecil dan terhad untuk LoRA dari keluarga yang laman ini sedang galakkan sekarang, sentiasa disenaraikan dalam pecahan.
Skor gantian: Nombor stabil di bawah paras yang diberikan kepada model yang belum ada laporan sumber, supaya senarai kekal lengkap. Ia tidak pernah mendahului model yang ada data.
Baru! (tempoh kelonggaran): Model yang berumur kurang dari 7 hari menunjukkan Baru! dan tidak mempunyai skor serta tidak menduduki tempat dalam kedudukan. Skornya dikira dari hari pertama, tetapi model yang berumur satu hari berkembang lebih cepat daripada apa pun, jadi tanpa menunggu, #1 minggu ini akan sentiasa menjadi apa sahaja yang keluar semalam dan bukan yang bertahan selama seminggu.
Trend: Bagaimana pertumbuhan model dalam tempoh tertentu dibandingkan dengan pertumbuhan model biasa dalam tempoh yang sama. Lebih cepat dari biasa bermaksud naik, lebih perlahan bermaksud turun.
Model biasa: Tengah katalog: separuh model dengan angka tumbuh lebih cepat dalam tempoh itu, separuh lagi lebih perlahan.

Model serupa

Model AI untuk penjanaan imej, video dan teks

DeepSeek V3.1 Terminus ialah model teks untuk keluarga Text / LLM yang disenaraikan di ModelTrends.ai, katalog baca sahaja untuk model AI imej, video dan teks sumber terbuka. Bandingkannya dengan model Text / LLM lain dan semak skor habanya untuk melihat trendnya.

Lagi model Text / LLM Lagi Teks / LLM Text / LLM llm deepseek penalaran ejen pengaturcaraan tempatan

Layari mengikut keluarga model