Är vikterna öppna och kan jag köra detta lokalt?

Ja – DeepSeek-V3.1-Terminus släpps under MIT-licens och vikterna finns på Hugging Face under deepseek-ai/DeepSeek-V3.1-Terminus. Modellstrukturen är samma som DeepSeek-V3, så samma lokala inferensverktyg gäller, men modellen är stor och kräver rejäl hårdvara.

Vad kostar det och hur långt är kontextfönstret?

Via API kostar det $0,27 per miljon inmatningstokens och $1,00 per miljon utmatningstokens, med ett kontextfönster på 163 840 tokens.

Hur skiljer sig Terminus från DeepSeek V3.1?

Terminus är en patch-release, inte en ny modell – den riktar sig mot två specifika svagheter: språkkonsistens (mindre blandning av kinesiska och engelska) och agentprestanda (Code Agent och Search Agent). De flesta benchmarkresultat ligger nära V3.1, men agentuppgifter som SWE-bench och Terminal-bench visar tydligast förbättringar.

DeepSeek V3.1 Terminus

1961°

#llm #deepseek #resonemang #agenter #kodning #lokal

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

DeepSeek | 163 840 tokens kontext | $0.27/M input, $1.00/M output. DeepSeek-V3.1 Terminus är en uppdatering av [DeepSeek V3.1](/deepseek/deepseek-chat-v3.1) som behåller modellens ursprungliga kapabiliteter samtidigt som den åtgärdar problem rapporterade av användare, inklusive språk-konsistens och agentfunktioner, och optimerar modellens...

Guider för denna modell

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Öppna vikter vs öppen källkod vs endast API: vad du faktiskt får göra

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

DeepSeek-V3.1-Terminus är en riktad uppdatering av DeepSeek V3.1 från DeepSeek som åtgärdar två specifika klagomål: blandad språkoutput och svag agentprestanda. Benchmarkförbättringarna är måttliga på de flesta uppgifter men betydande på agentuppgifter – SWE-bench, BrowseComp och Terminal-bench förbättras alla. Den passar utvecklare som bygger kod- eller sökagenter och redan använde V3.1 men stötte på dessa problem.

Känd för

Starkare prestanda för Code Agent och Search Agent jämfört med V3.1
Minskad blandning av kinesiska och engelska i output samt färre konstiga tecken
Starka SWE-bench-resultat: 68,4 % verifierat, 57,8 % flerspråkigt
MIT-licens – vikterna är öppna och fria att använda kommersiellt
163 840 tokens kontextfönster till väl under $1,50/M kombinerat

Se upp för

Ett känt problem med FP8-skala i self_attn.o_proj finns; DeepSeek säger att en fix är på väg.
Detta är en stor modell – att köra den lokalt kräver seriös hårdvara; kontrollera VRAM-krav innan nedladdning.
Codeforces-betyget sjunker något jämfört med V3.1, så rena tävlingskodare kan inte se förbättring.

Bäst för

Agenter och verktygsanvändning

Kodning

Resonemang

Kör lokalt

Promptar att prova

Terminaluppgiftsagent

Du har tillgång till en terminal. Ett Python-projekt i /app misslyckas med sina tester. Kör testerna, läs utdata, identifiera grundorsaken, patcha relevant fil och kör testerna igen för att bekräfta fixen. Visa varje kommando du kör och förklara ditt resonemang mellan stegen.

Refaktorering över flera filer

Jag har en Flask-app där databas-anrop är utspridda i route handlers. Refaktorera så att all DB-access går via ett enda repository-lager. Visa den nya filstrukturen, repository-modulen och två exempel på route handlers omskrivna för att använda det. Behåll befintligt beteende.

Svårt resonemangsproblem

Fem ingenjörer äger varsin programmeringsspråk, dricker olika drycker och sitter i en rad med fem skrivbord. Rust-ingenjören sitter bredvid tedrickaren. Python-ingenjören sitter i ena änden. Kaffedrickaren sitter två platser från Go-ingenjören. TypeScript-ingenjören dricker vatten. Vem dricker espresso och vilket språk använder hen? Visa ditt resonemang.

Jämför med

DeepSeek V4.1 Flash
Öppen vikt-modell
1,048,576 tokens kontext · $0.04/M indata, $0.68/M utdata
DeepSeek V4 Flash 0731
Öppen vikt-modell
1,048,576 tokens kontext · $0.01/M indata, $1.28/M utdata
DeepSeek V4 Flash 0423
Öppen vikt-modell
1,048,576 tokens kontext · $0.09/M indata, $0.18/M utdata
DeepSeek V4 Pro 0813
Öppen vikt-modell
1,048,576 tokens kontext · $1.32/M indata, $3.96/M utdata

Fler textmodeller från deepseek

Vanliga frågor

Är vikterna öppna och kan jag köra detta lokalt?: Ja – DeepSeek-V3.1-Terminus släpps under MIT-licens och vikterna finns på Hugging Face under deepseek-ai/DeepSeek-V3.1-Terminus. Modellstrukturen är samma som DeepSeek-V3, så samma lokala inferensverktyg gäller, men modellen är stor och kräver rejäl hårdvara.
Vad kostar det och hur långt är kontextfönstret?: Via API kostar det $0,27 per miljon inmatningstokens och $1,00 per miljon utmatningstokens, med ett kontextfönster på 163 840 tokens.
Hur skiljer sig Terminus från DeepSeek V3.1?: Terminus är en patch-release, inte en ny modell – den riktar sig mot två specifika svagheter: språkkonsistens (mindre blandning av kinesiska och engelska) och agentprestanda (Code Agent och Search Agent). De flesta benchmarkresultat ligger nära V3.1, men agentuppgifter som SWE-bench och Terminal-bench visar tydligast förbättringar.

Kaptens omdöme
En vettig patch för V3.1-användare som stötte på språkblandningsbuggar eller behövde bättre agentpålitlighet – ingen anledning att byta om du inte hade dessa problem.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

AI-modeller för bild-, video- och textgenerering

DeepSeek V3.1 Terminus är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm deepseek resonemang agenter kodning lokal

Bläddra efter modellfamilj