Les poids DeepSeek V3 sont-ils ouverts et puis-je l’exécuter localement ?

Oui, les poids sont publiquement disponibles sur Hugging Face dans le dépôt deepseek-ai/DeepSeek-V3. Sachez que le modèle complet fait 685 milliards de paramètres, donc l’exécuter localement demande une infrastructure GPU conséquente.

Quel est le coût de DeepSeek V3 et la taille de sa fenêtre de contexte ?

Via API, le prix est de 0,32 $ par million de tokens en entrée et 0,89 $ par million en sortie, avec une fenêtre de contexte de 163 840 tokens.

En quoi DeepSeek V3 diffère-t-il de DeepSeek R1 ?

V3 est un modèle généraliste de suivi d’instructions ; R1 est le modèle dédié au raisonnement de DeepSeek qui utilise une longue chaîne de pensée. V3 a distillé certains schémas de raisonnement de R1 pendant l’entraînement postérieur, ce qui lui donne un raisonnement plus fort que les modèles V antérieurs sans le style verbeux de CoT de R1.

DeepSeek V3

3886°

#llm #deepseek #programmation #raisonnement #écriture #local

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

DeepSeek | 163,840 token context | $0.26/M input, $1.03/M output. DeepSeek-V3 is the latest model from the DeepSeek team, building upon the instruction following and coding abilities of the previous versions. Pre-trained on nearly 15 trillion tokens, the reported evaluations reveal that the model outperforms other open-source models and rivals leading closed-source models. For model details, please visit the DeepSeek-V3 repoOpens in new tab for more information, or see the launch announcementOpens in new tab.

Guides pour ce modèle

Les 10 alternatives à ChatGPT les moins chères en 2026 : modèles locaux gratuits, offres gratuites et forfaits à prix fixe

Meilleur LLM local par cas d’usage (octobre 2026) : le bon modèle open source pour chaque tâche

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

DeepSeek V3 est un modèle Mixture-of-Experts de 671 milliards de paramètres de DeepSeek, avec seulement 37 milliards de paramètres actifs par token, ce qui le rend bien moins cher à exécuter que sa taille totale ne le suggère. Il a été entraîné sur 14,8 trillions de tokens et a distillé des schémas de raisonnement de DeepSeek R1, améliorant nettement ses performances par rapport à la plupart des concurrents à poids ouverts. À moins d’un dollar par million de tokens en sortie via API, il convient aux développeurs et chercheurs qui veulent une qualité de pointe sans factures de pointe.

Connu pour

Fort en codage et suivi d’instructions, affiné sur plusieurs générations DeepSeek
Capacité de raisonnement renforcée par distillation de la chaîne de pensée de DeepSeek R1
671 milliards de paramètres au total, seulement 37 milliards actifs par token via l’architecture MoE
Poids ouverts disponibles sur Hugging Face pour auto-hébergement
Prix API exceptionnellement bas pour un modèle de ce niveau de performance

Attention à

685 milliards de paramètres sur Hugging Face : l’auto-hébergement demande un matériel sérieux, pas une configuration GPU grand public.
DeepSeek n’a pas publié de licence open-source standard ; vérifiez les termes du dépôt avant usage commercial.
Fenêtre de contexte via API de 163 840 tokens ; la fiche modèle indique 128K pour les poids téléchargés.

Idéal pour

Programmation

Raisonnement

Écriture

Fonctionne localement

Budget

Prompts à essayer

Refactoriser une fonction brouillonne

Voici une fonction Python qui fonctionne mais est difficile à lire et sans gestion d’erreurs. Refactorez-la pour plus de clarté, ajoutez des annotations de type, gérez les cas d’échec évidents, et expliquez chaque changement. def proc(d, k, v): d[k] = v return d[k] * 2 if d[k] > 10 else d[k]

Raisonnement sur un puzzle logique

Cinq personnes possèdent chacune un animal différent et boivent une boisson différente. Alice ne possède pas le chat. La personne qui boit du thé possède le chien. Bob boit du café. Carol possède le poisson. La personne qui boit de l’eau est à côté de celle qui possède le serpent. Dave boit du jus. Qui possède le serpent, et comment l’avez-vous déterminé ?

Critique d’un argument technique

Un collègue affirme : « Nous devrions toujours utiliser une base NoSQL pour les nouveaux projets parce que les bases SQL ne montent pas en charge. » Rédigez une critique structurée de cette affirmation. Identifiez ce qui est correct, ce qui est faux, quel contexte manque, et quelles questions poseriez-vous avant de choisir une base de données.

Comparer avec

DeepSeek V4.1 Flash
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $0.04/M, sortie $0.68/M
DeepSeek V4 Flash 0731
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $0.01/M, sortie $1.28/M
DeepSeek V4 Flash 0423
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $0.09/M, sortie $0.18/M
DeepSeek V4 Pro 0813
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $1.32/M, sortie $3.96/M

Plus de modèles de texte de deepseek

Questions fréquentes

Les poids DeepSeek V3 sont-ils ouverts et puis-je l’exécuter localement ?: Oui, les poids sont publiquement disponibles sur Hugging Face dans le dépôt deepseek-ai/DeepSeek-V3. Sachez que le modèle complet fait 685 milliards de paramètres, donc l’exécuter localement demande une infrastructure GPU conséquente.
Quel est le coût de DeepSeek V3 et la taille de sa fenêtre de contexte ?: Via API, le prix est de 0,32 $ par million de tokens en entrée et 0,89 $ par million en sortie, avec une fenêtre de contexte de 163 840 tokens.
En quoi DeepSeek V3 diffère-t-il de DeepSeek R1 ?: V3 est un modèle généraliste de suivi d’instructions ; R1 est le modèle dédié au raisonnement de DeepSeek qui utilise une longue chaîne de pensée. V3 a distillé certains schémas de raisonnement de R1 pendant l’entraînement postérieur, ce qui lui donne un raisonnement plus fort que les modèles V antérieurs sans le style verbeux de CoT de R1.

Verdict du capitaine
Le moyen le plus rentable d’obtenir aujourd’hui une qualité textuelle proche de la pointe, à condition d’accepter les termes de licence de DeepSeek.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

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

Comment ce score se calcule

Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Modèles similaires

Modèles d'IA pour générer image, vidéo et texte

DeepSeek V3 est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm deepseek programmation raisonnement écriture local budget

Parcourir par famille de modèles