Les poids sont-ils ouverts et puis-je exécuter ce modèle localement ?

Oui — DeepSeek-V3.1-Terminus est sous licence MIT et les poids sont disponibles sur Hugging Face à deepseek-ai/DeepSeek-V3.1-Terminus. La structure du modèle est la même que DeepSeek-V3, donc les mêmes outils d’inférence locale s’appliquent, bien que le modèle soit volumineux et nécessite un matériel conséquent.

Quel est le coût et la taille de la fenêtre de contexte ?

Via API, le prix est de 0,27 $ par million de tokens d’entrée et 1,00 $ par million de tokens de sortie, avec une fenêtre de contexte de 163 840 tokens.

En quoi Terminus diffère-t-il de DeepSeek V3.1 ?

Terminus est une version patch, pas un nouveau modèle — il cible deux faiblesses spécifiques : la cohérence linguistique (moins de sorties chinois-anglais mélangées) et les performances des agents (Code Agent et Search Agent). La plupart des scores de benchmark sont proches de la V3.1, mais les tâches agentiques comme SWE-bench et Terminal-bench montrent les gains les plus nets.

DeepSeek V3.1 Terminus

1961°

#llm #deepseek #raisonnement #agents #programmation #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 | contexte de 163 840 tokens | 0,27 $/M en entrée, 1,00 $/M en sortie. DeepSeek-V3.1 Terminus est une mise à jour de [DeepSeek V3.1](/deepseek/deepseek-chat-v3.1) qui maintient les capacités originales du modèle tout en corrigeant les problèmes signalés par les utilisateurs, notamment la cohérence linguistique et les capacités agentiques, optimisant davantage le modèle...

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 ?

Poids ouverts vs open source vs API uniquement : ce que tu peux vraiment faire

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-V3.1-Terminus est une mise à jour ciblée de DeepSeek V3.1 de DeepSeek, corrigeant deux plaintes spécifiques : sortie en langues mélangées et performances faibles des agents. Les gains de benchmark sont modestes sur la plupart des tâches mais significatifs sur les tâches agentiques — SWE-bench, BrowseComp et Terminal-bench progressent tous. Il convient aux développeurs construisant des agents de code ou de recherche qui utilisaient déjà la V3.1 et rencontraient ces difficultés.

Connu pour

Meilleures performances des agents Code et Search par rapport à la V3.1
Réduction des sorties mixtes chinois-anglais et des caractères errants
Bonnes performances au SWE-bench : 68,4 % vérifié, 57,8 % multilingue
Licence MIT — poids ouverts et usage commercial gratuit
Fenêtre de contexte de 163 840 tokens à moins de 1,50 $/M combiné

Attention à

Un problème connu de format de données FP8 scale dans self_attn.o_proj existe ; DeepSeek annonce un correctif à venir.
C’est un grand modèle — l’exécuter localement demande un matériel sérieux ; vérifiez les besoins en VRAM avant de télécharger.
Le classement Codeforces baisse légèrement par rapport à la V3.1, donc les utilisateurs de codage compétitif pur pourraient ne pas voir d’amélioration.

Idéal pour

Agents et utilisation d'outils

Programmation

Raisonnement

Fonctionne localement

Prompts à essayer

Agent de tâche terminal

Vous avez accès à un terminal. Un projet Python dans /app échoue à ses tests. Lancez les tests, lisez la sortie, identifiez la cause racine, corrigez le fichier concerné, et relancez les tests pour confirmer la correction. Montrez chaque commande exécutée et expliquez votre raisonnement entre les étapes.

Refactorisation multi-fichiers

J’ai une application Flask où les appels à la base de données sont dispersés dans les gestionnaires de routes. Refactorez-la pour que tout l’accès à la base passe par une couche de dépôt unique. Montrez la nouvelle structure de fichiers, le module dépôt, et deux exemples de gestionnaires de routes réécrits pour l’utiliser. Conservez le comportement existant.

Casse-tête de raisonnement difficile

Cinq ingénieurs possèdent chacun un langage de programmation différent, boivent une boisson différente, et sont assis en rangée à cinq bureaux. L’ingénieur Rust est à côté du buveur de thé. L’ingénieur Python est à une extrémité. Le buveur de café est à deux places de l’ingénieur Go. L’ingénieur TypeScript boit de l’eau. Qui boit un espresso, et quel langage utilise-t-il ? Montrez votre raisonnement.

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 sont-ils ouverts et puis-je exécuter ce modèle localement ?: Oui — DeepSeek-V3.1-Terminus est sous licence MIT et les poids sont disponibles sur Hugging Face à deepseek-ai/DeepSeek-V3.1-Terminus. La structure du modèle est la même que DeepSeek-V3, donc les mêmes outils d’inférence locale s’appliquent, bien que le modèle soit volumineux et nécessite un matériel conséquent.
Quel est le coût et la taille de la fenêtre de contexte ?: Via API, le prix est de 0,27 $ par million de tokens d’entrée et 1,00 $ par million de tokens de sortie, avec une fenêtre de contexte de 163 840 tokens.
En quoi Terminus diffère-t-il de DeepSeek V3.1 ?: Terminus est une version patch, pas un nouveau modèle — il cible deux faiblesses spécifiques : la cohérence linguistique (moins de sorties chinois-anglais mélangées) et les performances des agents (Code Agent et Search Agent). La plupart des scores de benchmark sont proches de la V3.1, mais les tâches agentiques comme SWE-bench et Terminal-bench montrent les gains les plus nets.

Verdict du capitaine
Un patch judicieux pour les utilisateurs de V3.1 confrontés à des bugs de mélange linguistique ou ayant besoin d’une meilleure fiabilité des agents — pas une raison de changer si ce n’est pas votre cas.

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 V3.1 Terminus 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 raisonnement agents programmation local

Parcourir par famille de modèles