Kan ik DeepSeek V3.1 lokaal draaien?

De gewichten zijn open en beschikbaar op Hugging Face, dus ja — maar het model heeft in totaal 671B parameters, wat serieuze hardware vereist om op volle precisie te draaien; de meeste mensen gebruiken een gequantiseerde versie of een API.

Wat kost DeepSeek V3.1 en hoe groot is het contextvenster?

Via API kost het $0,25 per miljoen inputtokens en $0,95 per miljoen outputtokens, met een contextvenster van 163.840 tokens.

Hoe verschilt V3.1 van DeepSeek V3 en DeepSeek R1?

V3.1 voegt een hybride denkmodus toe (zodat één model zowel snelle chat als stapsgewijze redenering dekt), verbetert tool-calling en agenttaken, en breidt de context uit tot 128K via extra lange-context training; in denkmodus bereikt het kwaliteit vergelijkbaar met R1 maar is sneller.

DeepSeek V3.1

4967°

#llm #deepseek #redeneren #coderen #agenten #lange context

Voer dit model uit

Aanbiedingen / Advertenties

OpenRouter Terminal / API

Betaal per token

Chat met dit model in de browser of roep het aan vanuit je code met één API-sleutel.

DeepSeek | 163.840 token context | $0.25/M input, $0.95/M output. DeepSeek-V3.1 is een groot hybride redeneermodel (671 miljard parameters, 37 miljard actief) dat zowel denken als niet-denken modi ondersteunt via prompttemplates. Het breidt de DeepSeek-V3 basis uit met een tweefasig lange-context trainingsproces, tot 128K tokens, en gebruikt FP8 microscaling voor efficiënte inferentie. Gebruikers kunnen het redeneergedrag regelen met de reasoning enabled boolean. Lees meer in onze docsOpens in new tab Het model verbetert toolgebruik, codegeneratie en redeneerefficiëntie, en behaalt prestaties…DeepSeek | 163.840 token context | $0.25/M input, $0.95/M output. DeepSeek-V3.1 is een groot hybride redeneermodel (671 miljard parameters, 37 miljard actief) dat zowel denken als niet-denken modi ondersteunt via prompttemplates. Het breidt de DeepSeek-V3 basis uit met een tweefasig lange-context trainingsproces, tot 128K tokens, en gebruikt FP8 microscaling voor efficiënte inferentie. Gebruikers kunnen het redeneergedrag regelen met de reasoning enabled boolean. Lees meer in onze docsOpens in new tab Het model verbetert toolgebruik, codegeneratie en redeneerefficiëntie, en behaalt prestaties vergelijkbaar met DeepSeek-R1 op moeilijke benchmarks terwijl het sneller reageert. Het ondersteunt gestructureerde toolaanroepen, code-agents en zoekagents, waardoor het geschikt is voor onderzoek, codering en agent-gebaseerde workflows. Het is de opvolger van het DeepSeek V3-0324 model en presteert goed op diverse taken.

Gidsen voor dit model

Beste lokale LLM per gebruik (oktober 2026): het juiste open model voor elke klus

Hoeveel VRAM heb ik eigenlijk nodig voor lokale AI?

Wat is een GGUF-bestand? Uitleg over gekwantiseerde modellen (Q4, Q8, fp8, NF4)

Alle gidsen

Aantekeningen van de kapitein

Geschreven door Captain, de huisredacteur

Aantekeningen van 2026-10-13

DeepSeek V3.1 is een 671B mixture-of-experts model van DeepSeek dat 37B parameters gebruikt tijdens inferentie en zowel denk- als niet-denkmodi ondersteunt in één set gewichten. De denkmodus bereikt een kwaliteit vergelijkbaar met DeepSeek R1 maar reageert sneller, en de tool-calling en agentmogelijkheden zijn aanzienlijk verbeterd ten opzichte van V3. Met minder dan een dollar per miljoen outputtokens is het een serieuze optie voor iedereen die agentische of langdocumentpijplijnen op budget wil draaien.

Bekend om

Hybride denk-/niet-denkmodus schakelbaar via chattemplate, geen apart model nodig.
Tool-calling en agentworkflows aanzienlijk verbeterd ten opzichte van DeepSeek V3.
128K contextvenster opgebouwd via een tweefasig lange-context trainingsproces.
Denkmoduskwaliteit vergelijkbaar met DeepSeek R1, met snellere responstijden.
Open gewichten beschikbaar op Hugging Face; FP8 microscaling voor efficiënte inferentie.

Let op

671B totale parameters betekent dat lokale inzet serieuze hardware vereist; de meeste gebruikers zullen een API gebruiken.
Tool-calling wordt alleen ondersteund in niet-denkmodus — je kunt geen gestructureerd toolgebruik combineren met redeneermodus.
De chattemplate is veranderd sinds V3; bestaande prompts en integraties moeten mogelijk worden bijgewerkt.

Het beste voor

Coderen

Agenten en toolgebruik

Redeneren

Lange context

Budget

Prompts om te proberen

Meer-staps code-agent

Je hebt toegang tot een Python-interpreter. Schrijf een script dat de laatste wisselkoersen voor USD, EUR en GBP ophaalt van een publieke API, de kruiskoersen voor alle drie de paren berekent en een geformatteerde tabel afdrukt. Gebruik toolcalls om elke stap uit te voeren, controleer de output en corrigeer fouten voordat je het eindresultaat teruggeeft.

Moeilijke redeneerpuzzel

Vijf ingenieurs beginnen op verschillende dagen: maandag tot en met vrijdag. Alice begon vóór Bob. Carol begon de dag na Dave. Eve begon op woensdag. Bob begon niet op donderdag. Dave begon eerder in de week dan Carol maar later dan Eve. Geef voor elke ingenieur de startdag en toon je redenering stap voor stap.

Extractie lang document

Ik plak hieronder een lang contract. Lees het zorgvuldig en produceer: (1) een één-alinea samenvatting in gewoon Nederlands van de belangrijkste verplichtingen van elke partij, (2) een opsomming van alle deadlines of opzegtermijnen die genoemd worden, en (3) alle clausules die onverwachte aansprakelijkheid voor de koper kunnen creëren. Markeer alles wat dubbelzinnig is. [Plak contracttekst hier]

Vergelijk met

DeepSeek Flash Latest
Alleen API-model
1,048,576 token context · $0.04/M invoer, $0.68/M uitvoer
DeepSeek V4 Flash Latest
Alleen API-model
1,048,576 token context · $0.01/M invoer, $1.28/M uitvoer
DeepSeek Pro Latest
Alleen API-model
1,048,576 token context · $0.25/M invoer, $5.00/M uitvoer
DeepSeek V4.1 Flash
Model met open gewichten
1,048,576 token context · $0.04/M invoer, $0.68/M uitvoer

Meer tekstmodellen van deepseek

Veelgestelde vragen

Kan ik DeepSeek V3.1 lokaal draaien?: De gewichten zijn open en beschikbaar op Hugging Face, dus ja — maar het model heeft in totaal 671B parameters, wat serieuze hardware vereist om op volle precisie te draaien; de meeste mensen gebruiken een gequantiseerde versie of een API.
Wat kost DeepSeek V3.1 en hoe groot is het contextvenster?: Via API kost het $0,25 per miljoen inputtokens en $0,95 per miljoen outputtokens, met een contextvenster van 163.840 tokens.
Hoe verschilt V3.1 van DeepSeek V3 en DeepSeek R1?: V3.1 voegt een hybride denkmodus toe (zodat één model zowel snelle chat als stapsgewijze redenering dekt), verbetert tool-calling en agenttaken, en breidt de context uit tot 128K via extra lange-context training; in denkmodus bereikt het kwaliteit vergelijkbaar met R1 maar is sneller.

Oordeel van de kapitein
Een zeldzaam model dat zijn plek verdient op zowel de budgetshortlist als de agentische workflow-shortlist — de hybride denkmodus is echt nuttig en geen marketingvinkje.

Modelkaart op Hugging Face

De kapitein schrijft deze aantekeningen op basis van de eigen beschrijving en modelkaart van het model. Prijzen en contextgroottes zijn die van de provider op het moment van schrijven en kunnen veranderen.

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

Hoe deze score wordt opgebouwd

Dit model heeft nog geen populariteitsgegevens van welke bron dan ook, dus het krijgt een tijdelijke waarde onder 7,000° om de lijsten compleet te houden. Het staat nooit hoger dan een model met data. De uitsplitsing verschijnt hier zodra een bron het rapporteert.

Woordenlijst: de gebruikte termen

Heat-score: Één getal voor hoe veel een model nu gebruikt en gewenst wordt, van 0° tot 9.999°. Elke lijst op deze site die zegt heetste is gesorteerd op deze score en niets anders.
Vloer: De 7.000° waar elk model met echte data mee begint. De schaal loopt van 0° tot 9.999°; het deel onder de vloer is gereserveerd voor plaatsvervangers (modellen zonder data), zodat een model met data altijd hoger scoort dan een zonder. De vloer is voor iedereen gelijk en beslist niets; de graden erboven zijn de meting.
Download-equivalenten: Alles wat de score als een download telt, bij elkaar opgeteld: downloads zelf, elke torrent seeder als 1.000, elke AI Horde-afbeelding en elke run op een generatie-site als één.
Logaritmische schaal: Tellen per tien, niet per één: van 1.000 naar 10.000 downloads voegt evenveel graden toe als van 10.000 naar 100.000. Zo verdringen grote spelers niet alles.
Likes: Duimen omhoog en likes van elke bron, elk de helft van een download waard op de log-schaal.
Adoptiesnelheid: Hoeveel downloads een model nu per dag krijgt, uit het verschil tussen twee metingen van een bron. Een kwart van het gewicht van de downloadterm.
Gemeten en geschat: Gemeten betekent dat er twee metingen van een bron zijn en het verschil echt is. Geschat betekent dat alleen het totaal van vandaag bekend is en het verleden over de levensduur van het model wordt verdeeld; de site geeft aan welke het toont.
Seeder: Iemand die een kopie van de gewichten online houdt zodat anderen die via een torrent kunnen downloaden, of een gehoste mirror die hetzelfde doet. Elk telt als 1.000 downloads.
AI Horde: Een vrijwilligersnetwerk dat gratis beelden genereert op gedoneerde computers. Het aantal beelden dat het met een model heeft gemaakt is openbaar, en elk telt als één download.
Generatiesites: Sites die hun eigen kopieën van een model hosten en mensen laten genereren, zoals PixAI, SeaArt en Yodayo. Hun downloads tellen net als die van Civitai en elke generatie telt als één download.
OpenRouter tokens: Een tekstmodel dat via een API wordt aangeboden, zoals Claude of GPT, heeft geen gewichten om te downloaden, dus het gebruik wordt gemeten in tokens: de tekststukken die het las en schreef via OpenRouter, een gateway die veel apps gebruiken, in de afgelopen 30 dagen. Elke 10,000,000 tokens telt als één download. Bron: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Volledig model (checkpoint): De gewichten zelf, het bestand dat zelfstandig genereert. Het krijgt een bonus omdat add-ons ervan afhangen.
LoRA en embedding: Kleine add-on bestanden die iemands gewichten sturen naar een stijl, een personage of een concept. Ze kunnen niet zelfstandig draaien.
Familie en gewichten: De basis waarop een model is gebouwd, zoals SD 1.5, SDXL, Flux of Wan. Elk model erft de releasedatum van de gewichten van zijn familie.
Leeftijd: Graden afgetrokken voor hoe lang geleden de gewichten van de familie uitkwamen: 150° per jaar, tot 750°. Het houdt oude downloads die jaren hadden om op te lopen door de top van de lijst te bevriezen.
Familie boost: Een kleine, begrensde duw voor LoRA's van een familie die deze site nu naar voren schuift, altijd vermeld in de uitsplitsing.
Stand-in score: Een stabiel getal onder de vloer gegeven aan een model waar nog geen bron over rapporteert, zodat lijsten compleet blijven. Het staat nooit hoger dan een model met data.
Nieuw! (gratieperiode): Een model dat minder dan 7 dagen oud is, toont Nieuw! in plaats van een score en neemt geen plaats in de ranglijst in. De score wordt vanaf dag één berekend, maar een model van één dag oud groeit sneller dan wat dan ook, dus zonder de wachttijd zou de #1 van de week altijd het model zijn dat gisteren uitkwam in plaats van wat een week standhield.
Trend: Hoe de groei van een model over een periode zich verhoudt tot de typische groei van een model over dezelfde periode. Sneller dan typisch betekent stijging, langzamer betekent daling.
Typisch model: Het midden van de catalogus: de helft van de modellen met een cijfer groeide sneller over de periode, de andere helft langzamer.

Vergelijkbare modellen

AI-modellen voor het genereren van afbeeldingen, video en tekst

DeepSeek V3.1 is een tekstmodel voor de Text / LLM-familie, vermeld op ModelTrends.ai, een alleen-lezen catalogus van open source AI-modellen voor afbeeldingen, video en tekst. Vergelijk het met andere Text / LLM-modellen en bekijk de populariteitsscore om de trend te zien.

Meer Text / LLM-modellen Meer Text / LLM Tekst / LLM llm deepseek redeneren coderen agenten lange context budget

Bladeren op modelfamilie