DeepSeek V3.1
4967°
Lancer ce modèle
Offres / Pub
DeepSeek | contexte de 163 840 tokens | 0,25 $/M en entrée, 0,95 $/M en sortie. DeepSeek-V3.1 est un grand modèle hybride de raisonnement (671 milliards de paramètres, 37 milliards actifs) qui supporte les modes réflexion et non-réflexion via des templates de prompt. Il étend la base DeepSeek-V3 avec un processus d'entraînement en deux phases pour le contexte long, atteignant jusqu'à 128K tokens, et utilise le microscaling FP8 pour une inférence efficace. Les utilisateurs peuvent contrôler le comportement de raisonnement avec le booléen reasoning enabled. En savoir plus dans notre…DeepSeek | contexte de 163 840 tokens | 0,25 $/M en entrée, 0,95 $/M en sortie. DeepSeek-V3.1 est un grand modèle hybride de raisonnement (671 milliards de paramètres, 37 milliards actifs) qui supporte les modes réflexion et non-réflexion via des templates de prompt. Il étend la base DeepSeek-V3 avec un processus d'entraînement en deux phases pour le contexte long, atteignant jusqu'à 128K tokens, et utilise le microscaling FP8 pour une inférence efficace. Les utilisateurs peuvent contrôler le comportement de raisonnement avec le booléen reasoning enabled. En savoir plus dans notre documentationOpens in new tab Le modèle améliore l'utilisation d'outils, la génération de code et l'efficacité du raisonnement, atteignant des performances comparables à DeepSeek-R1 sur des benchmarks difficiles tout en répondant plus rapidement. Il supporte l'appel structuré d'outils, les agents de code et les agents de recherche, le rendant adapté à la recherche, au codage et aux flux de travail agentiques. Il succède au modèle DeepSeek V3-0324 et performe bien sur une variété de tâches.
Guides pour ce modèle
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)
Notes du capitaine
Notes du 2026-10-13
DeepSeek V3.1 est un modèle mixture-of-experts à 671 milliards de paramètres de DeepSeek qui exécute 37 milliards de paramètres à l'inférence et supporte les modes pensée et non-pensée dans un seul jeu de poids. Son mode pensée atteint une qualité comparable à DeepSeek R1 tout en répondant plus vite, et ses capacités d'appel d'outils et d'agents ont été largement améliorées par rapport à la V3. À moins d'un dollar par million de tokens de sortie, c'est une option sérieuse pour quiconque exécute des pipelines agentiques ou de documents longs avec un budget.
Connu pour
- Mode hybride pensée/non-pensée commutable via template de chat, pas besoin de modèle séparé.
- Appel d'outils et workflows agent significativement améliorés par rapport à DeepSeek V3.
- Fenêtre de contexte de 128K construite via un entraînement en deux phases sur long contexte.
- Qualité en mode pensée comparable à DeepSeek R1, avec des temps de réponse plus rapides.
- Poids ouverts disponibles sur Hugging Face ; microscaling FP8 pour une inférence efficace.
Attention à
- 671 milliards de paramètres au total signifie que le déploiement local exige un matériel sérieux ; la plupart des utilisateurs passeront par une API.
- L'appel d'outils est supporté uniquement en mode non-pensée — vous ne pouvez pas combiner usage structuré d'outils avec le mode raisonnement.
- Le template de chat a changé depuis la V3 ; les prompts et intégrations existants peuvent nécessiter une mise à jour.
Prompts à essayer
Agent code multi-étapes
Vous avez accès à un interpréteur Python. Écrivez un script qui récupère les derniers taux de change pour USD, EUR et GBP depuis une API publique, calcule les taux croisés pour les trois paires, et affiche un tableau formaté. Utilisez des appels d'outils pour chaque étape, vérifiez la sortie et corrigez les erreurs avant de retourner le résultat final.
Casse-tête de raisonnement complexe
Cinq ingénieurs rejoignent un projet à différents jours : du lundi au vendredi. Alice est arrivée avant Bob. Carol est arrivée le jour après Dave. Eve est arrivée mercredi. Bob n'est pas arrivé jeudi. Dave est arrivé plus tôt dans la semaine que Carol mais après Eve. Listez le jour de début de chaque ingénieur et montrez votre raisonnement étape par étape.
Extraction de document long
Je colle un long contrat ci-dessous. Lisez-le attentivement et produisez : (1) un résumé en un paragraphe en langage clair des principales obligations de chaque partie, (2) une liste à puces de toutes les échéances ou délais mentionnés, et (3) toutes clauses pouvant créer une responsabilité inattendue pour l'acheteur. Signalez toute ambiguïté. [Collez le texte du contrat ici]
Comparer avec
- DeepSeek Flash LatestModèle uniquement APIContexte de 1,048,576 tokens · entrée $0.04/M, sortie $0.68/M
- DeepSeek V4 Flash LatestModèle uniquement APIContexte de 1,048,576 tokens · entrée $0.01/M, sortie $1.28/M
- DeepSeek Pro LatestModèle uniquement APIContexte de 1,048,576 tokens · entrée $0.25/M, sortie $5.00/M
- DeepSeek V4.1 FlashModèle à poids ouvertsContexte de 1,048,576 tokens · entrée $0.04/M, sortie $0.68/M
Plus de modèles de texte de deepseek
Questions fréquentes
- Puis-je exécuter DeepSeek V3.1 localement ?
- Les poids sont ouverts et disponibles sur Hugging Face, donc oui — mais le modèle fait 671 milliards de paramètres au total, ce qui demande un matériel conséquent pour tourner en pleine précision ; la plupart utiliseront une version quantifiée ou une API.
- Quel est le coût et quelle est la taille du contexte ?
- Via API, le tarif est de 0,25 $ par million de tokens d'entrée et 0,95 $ par million de tokens de sortie, avec une fenêtre de contexte de 163 840 tokens.
- En quoi V3.1 diffère-t-il de DeepSeek V3 et DeepSeek R1 ?
- V3.1 ajoute un mode pensée hybride (un seul modèle couvre chat rapide et raisonnement pas à pas), améliore l'appel d'outils et les tâches agent, et étend le contexte à 128K via un entraînement long-contexte supplémentaire ; en mode pensée, il atteint une qualité comparable à R1 tout en étant plus rapide.
Verdict du capitaineUn modèle rare qui mérite sa place à la fois sur la shortlist budget et sur celle des workflows agentiques — le mode pensée hybride est vraiment utile, pas juste un argument marketing.
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.
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.
DeepSeek V3.1 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 / LLMPlus de Texte / LLM Text / LLMllmdeepseekraisonnementprogrammationagentscontexte longbudget
Parcourir par famille de modèles
Modèles Text / LLM
434
Modèles Anima
528
Modèles Chroma
19
Modèles Fibo
2
Modèles Flux
1,496
Modèles Flux 2 / Klein
1,239
Modèles Flux 3
3
Modèles Moss
3
Modèles Iris
1
Modèles MiniMax H3
364
Modèles Hunyuan
204
Modèles Ideogram
20
Modèles Krea2
717
Modèles Qwen
20
Modèles Qwen2
47
Modèles Ltx2
153