Bukas ba ang weights at maaari ko bang patakbuhin ito nang lokal?

Oo — ang DeepSeek-V3.1-Terminus ay inilabas sa ilalim ng MIT licence at ang weights ay nasa Hugging Face sa deepseek-ai/DeepSeek-V3.1-Terminus. Ang istruktura ng modelo ay pareho sa DeepSeek-V3, kaya ang parehong local inference tooling ang ginagamit, ngunit malaki ang modelo at nangangailangan ng malakas na hardware.

Magkano ang presyo at gaano kahaba ang context window?

Sa API, ang presyo ay $0.27 kada milyon input tokens at $1.00 kada milyon output tokens, na may 163,840-token context window.

Ano ang pinagkaiba ng Terminus sa DeepSeek V3.1?

Ang Terminus ay isang patch release, hindi bagong modelo — tinutugunan nito ang dalawang partikular na kahinaan: consistency sa wika (mas kaunting mixed Chinese-English output) at performance ng agent (Code Agent at Search Agent). Karamihan sa mga benchmark scores ay malapit sa V3.1, ngunit ang mga agentic tasks tulad ng SWE-bench at Terminal-bench ang may pinakamalinaw na pagbuti.

DeepSeek V3.1 Terminus

1961°

#llm #deepseek #pangangatwiran #mga ahente #pag-coding #lokal

Patakbuhin ang modelong ito

Alok / Ads

OpenRouter Terminal / API

Bayad kada token

Makipag-chat sa modelong ito sa browser o tawagan ito mula sa iyong code gamit ang isang API key.

DeepSeek | 163,840 token context | $0.27/M input, $1.00/M output. Ang DeepSeek-V3.1 Terminus ay isang update sa [DeepSeek V3.1](/deepseek/deepseek-chat-v3.1) na pinananatili ang orihinal na kakayahan ng modelo habang tinutugunan ang mga isyung iniulat ng mga gumagamit, kabilang ang consistency sa wika at mga kakayahan ng agent, na lalo pang nag-o-optimize sa modelo...

Mga gabay para sa model na ito

Pinakamahusay na lokal na LLM ayon sa gamit (Oktubre 2026): ang tamang open model para sa bawat trabaho

Gaano ba talaga kalaki ang VRAM na kailangan ko para sa local AI?

Open weights vs open source vs API-only: ano talaga ang pwede mong gawin

Ano ang GGUF file? Ipinaliwanag ang mga quantized na modelo (Q4, Q8, fp8, NF4)

Lahat ng gabay

Mga tala ng Kapitan

Isinulat ni Captain, ang editor ng bahay

Mga tala mula sa 2026-10-13

Ang DeepSeek-V3.1-Terminus ay isang targeted update sa DeepSeek V3.1 mula sa DeepSeek, na nag-aayos ng dalawang partikular na reklamo: mixed-language output at mahina na performance ng agent. Ang mga benchmark gains ay katamtaman sa karamihan ng mga gawain ngunit makabuluhan sa mga agentic na gawain — ang SWE-bench, BrowseComp, at Terminal-bench ay lahat ay tumaas. Ito ay angkop para sa mga developer na gumagawa ng code o search agents na dati nang gumagamit ng V3.1 at nakaranas ng mga ganitong problema.

Kilalang-kilala sa

Mas malakas na Code Agent at Search Agent performance kumpara sa V3.1
Bawas na mixed Chinese-English output at mga stray characters
Matibay na SWE-bench scores: 68.4% verified, 57.8% multilingual
MIT licence — bukas ang weights at libre gamitin para sa komersyal na layunin
163,840-token context window sa presyong mas mababa sa $1.50/M combined

Mag-ingat sa

May kilalang isyu sa FP8 scale data format sa self_attn.o_proj; sinasabi ng DeepSeek na may paparating na ayos.
Malaking modelo ito — nangangailangan ng seryosong hardware para patakbuhin nang lokal; suriin ang VRAM requirements bago mag-download.
Bahagyang bumaba ang Codeforces rating kumpara sa V3.1, kaya ang mga purong competitive-coding users ay maaaring hindi makakita ng pagbuti.

Pinakamainam para sa

Mga ahente at paggamit ng tool

Pag-coding

Pangangatwiran

Tumakbo nang lokal

Mga prompt na subukan

Agent sa terminal task

May access ka sa terminal. Ang isang Python project sa /app ay pumapalya sa test suite. Patakbuhin ang mga tests, basahin ang output, tukuyin ang ugat ng problema, ayusin ang kaukulang file, at patakbuhin muli ang tests para kumpirmahin ang ayos. Ipakita ang bawat command na pinatakbo mo at ipaliwanag ang iyong mga dahilan sa pagitan ng mga hakbang.

Multi-file refactor

May Flask app ako kung saan ang mga database calls ay nakakalat sa mga route handlers. I-refactor ito upang lahat ng DB access ay dumaan sa isang repository layer. Ipakita ang bagong file structure, ang repository module, at dalawang halimbawa ng route handlers na nirewrite para gamitin ito. Panatilihin ang kasalukuyang behavior.

Mahirap na palaisipan sa pangangatwiran

Limang engineer ang may kanya-kanyang programming language, umiinom ng iba't ibang inumin, at nakaupo sa isang hanay ng limang mesa. Ang Rust engineer ay katabi ng tea drinker. Ang Python engineer ay nasa isang dulo. Ang coffee drinker ay dalawang upuan ang layo mula sa Go engineer. Ang TypeScript engineer ay umiinom ng tubig. Sino ang umiinom ng espresso, at anong language ang gamit nila? Ipakita ang iyong pangangatwiran.

Ihambing sa

DeepSeek V4.1 Flash
Modelong bukas ang timbang
1,048,576 token na konteksto · $0.04/M input, $0.68/M output
DeepSeek V4 Flash 0731
Modelong bukas ang timbang
1,048,576 token na konteksto · $0.01/M input, $1.28/M output
DeepSeek V4 Flash 0423
Modelong bukas ang timbang
1,048,576 token na konteksto · $0.09/M input, $0.18/M output
DeepSeek V4 Pro 0813
Modelong bukas ang timbang
1,048,576 token na konteksto · $1.32/M input, $3.96/M output

Higit pang mga text model mula sa deepseek

Mga tanong na madalas itanong

Bukas ba ang weights at maaari ko bang patakbuhin ito nang lokal?: Oo — ang DeepSeek-V3.1-Terminus ay inilabas sa ilalim ng MIT licence at ang weights ay nasa Hugging Face sa deepseek-ai/DeepSeek-V3.1-Terminus. Ang istruktura ng modelo ay pareho sa DeepSeek-V3, kaya ang parehong local inference tooling ang ginagamit, ngunit malaki ang modelo at nangangailangan ng malakas na hardware.
Magkano ang presyo at gaano kahaba ang context window?: Sa API, ang presyo ay $0.27 kada milyon input tokens at $1.00 kada milyon output tokens, na may 163,840-token context window.
Ano ang pinagkaiba ng Terminus sa DeepSeek V3.1?: Ang Terminus ay isang patch release, hindi bagong modelo — tinutugunan nito ang dalawang partikular na kahinaan: consistency sa wika (mas kaunting mixed Chinese-English output) at performance ng agent (Code Agent at Search Agent). Karamihan sa mga benchmark scores ay malapit sa V3.1, ngunit ang mga agentic tasks tulad ng SWE-bench at Terminal-bench ang may pinakamalinaw na pagbuti.

Hatol ng Kapitan
Isang makatwirang patch para sa mga gumagamit ng V3.1 na nakaranas ng language-mixing bugs o nangangailangan ng mas maaasahang agent — hindi dahilan para lumipat kung hindi mo ito naranasan.

Model card sa Hugging Face

Isinusulat ng Kapitan ang mga tala na ito mula sa sariling paglalarawan at model card ng modelo. Ang mga presyo at laki ng konteksto ay mula sa provider sa oras ng pagsulat at maaaring magbago.

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

Paano nagkakalkula ang score na ito

Walang datos ng kasikatan mula sa kahit anong pinanggalingan ang modelong ito, kaya may stand-in na numero ito sa ibaba ng 7,000° para kumpleto ang mga listahan. Hindi ito kailanman mauuna sa isang modelong may datos. Lalabas dito ang breakdown kapag may nag-ulat na pinanggalingan.

Talahulugan: ang mga terminong ginagamit dito

Heat score: Isang numero kung gaano kadalas gamitin at gusto ang isang modelo ngayon, mula 0° hanggang 9,999°. Bawat listahan sa site na ito na nagsasabing pinakamainit ay nakaayos base dito at wala nang iba pa.
Floor: Ang 7,000° na panimulang puntos ng bawat modelong may totoong datos. Ang sukatan ay mula 0° hanggang 9,999°; ang bahagi sa ilalim ng floor ay para sa mga stand-in (mga modelong walang datos), para laging mas mataas ang ranggo ng may datos kaysa wala. Pareho ang floor para sa lahat at hindi ito nagpapasya; ang mga degree sa itaas nito ang totoong sukat.
Katumbas ng download: Lahat ng tinatrato ng score bilang download, pinagsama-sama: mga download mismo, bawat torrent seeder bilang 1,000, bawat AI Horde na larawan at bawat takbo sa isang generation site bilang isa.
Log scale: Bilang ng sampu, hindi isa-isa: ang pagtaas mula 1,000 hanggang 10,000 downloads ay nagdadagdag ng parehong degree tulad ng mula 10,000 hanggang 100,000. Pinipigilan nito ang mga higante na mauna sa lahat.
Likes: Thumbs up at likes mula sa lahat ng pinanggalingan, na katumbas ng kalahati ng download sa log scale.
Bilis ng pagtanggap: Ilang downloads kada araw ang nakukuha ng modelo ngayon, mula sa pagkakaiba ng dalawang readings ng isang pinanggalingan. Isang-kapat ng bigat ng term na download.
Nasukat at tinantya: Ang nasukat ay ibig sabihin may dalawang pagbabasa mula sa isang pinagmulan at tunay ang pagkakaiba. Ang tinantya naman ay alam lang ang kabuuan ngayon at hinahati ang nakaraan sa buong buhay ng modelo; sinasabi ng site kung alin ang ipinapakita.
Seeder: Isang tao na nag-iimbak ng kopya ng weights online para ma-download ng iba gamit ang torrent, o isang naka-host na mirror na gumagawa rin nito. Bawat isa ay katumbas ng 1,000 downloads.
AI Horde: Isang volunteer network na gumagawa ng mga larawan nang libre gamit ang mga donadong computer. Pampubliko kung ilang larawan ang nagawa gamit ang isang modelo, at bawat isa ay katumbas ng isang download.
Mga generation site: Mga site na may sariling kopya ng modelo at pinapayagan ang mga tao na gumawa gamit ito, tulad ng PixAI, SeaArt at Yodayo. Ang kanilang mga downloads ay binibilang tulad ng sa Civitai at bawat generation run ay isang download.
OpenRouter tokens: Ang isang text model na pinagsisilbihan sa pamamagitan ng API, tulad ng Claude o GPT, ay walang weights na ida-download, kaya ang paggamit nito ay sinusukat sa tokens: mga piraso ng teksto na binasa at isinulat nito sa pamamagitan ng OpenRouter, isang gateway na ginagamit ng maraming apps, sa nakaraang 30 araw. Bawat 10,000,000 tokens ay katumbas ng isang download. Pinagmulan: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Buong modelo (checkpoint): Ang weights mismo, ang file na kayang mag-generate mag-isa. May bonus ito dahil nakadepende dito ang mga add-on.
LoRA at embedding: Maliit na add-on files na nagtutulak sa weights ng iba papunta sa isang estilo, karakter o konsepto. Hindi sila kayang tumakbo mag-isa.
Pamilya at weights: Ang base na pinagbuo ng modelo, tulad ng SD 1.5, SDXL, Flux o Wan. Lahat ng modelo ay namamana ang petsa ng release ng weights ng pamilya nito.
Edad: Mga degree na ibinabawas base sa gaano katagal nang lumabas ang weights ng pamilya: 150° kada taon, hanggang 750°. Pinananatili nito ang mga lumang downloads na may taon para mag-ipon mula sa pag-freeze sa taas ng listahan.
Pampasigla ng pamilya: Isang maliit at limitadong tulak para sa mga LoRA ng pamilyang itinataguyod ng site ngayon, palaging nakalista sa breakdown.
Stand-in score: Isang matatag na numero sa ibaba ng floor na ibinibigay sa modelong wala pang ulat mula sa pinagmulan, para kumpleto ang listahan. Hindi ito nangunguna sa modelong may datos.
Bago! (panahon ng grace): Ang isang model na mas mababa sa 7 araw ang tanda ay nagpapakita ng Bago! sa halip na score at walang puwesto sa mga ranggo. Ang score nito ay kinakalkula mula unang araw, pero ang modelong isang araw pa lang ang tanda ay lumalago nang mas mabilis kaysa sa iba, kaya kung walang paghihintay, ang #1 ng linggo ay palaging yung lumabas kahapon kaysa sa tumagal nang isang linggo.
Uso: Paano ang paglago ng modelo sa isang panahon kumpara sa karaniwang paglago ng modelo sa parehong panahon. Mas mabilis kaysa karaniwan ay pagtaas, mas mabagal ay pagbaba.
Karaniwang modelo: Gitna ng katalogo: kalahati ng mga modelo na may numero ay mas mabilis ang paglago sa panahon, kalahati ay mas mabagal.

Mga katulad na model

Claude Fable 5.1

TEXT / LLM

Mixtral 8x7B Instruct v0.1

Mga AI model para sa paggawa ng larawan, video at teksto

Ang DeepSeek V3.1 Terminus ay isang text model para sa pamilyang Text / LLM na nakalista sa ModelTrends.ai, isang read-only na catalog ng mga open source AI model para sa larawan, video at teksto. Ikumpara ito sa ibang Text / LLM model at tingnan ang heat score nito para makita kung gaano ito kasikat.

Higit pang Text / LLM model Higit pang Text / LLM Teksto / LLM llm deepseek pangangatwiran mga ahente pag-coding lokal

Mag-browse ayon sa pamilya ng model