Kann ich DeepSeek V3.1 lokal ausführen?

Die Gewichte sind offen und auf Hugging Face verfügbar, also ja – aber das Modell hat insgesamt 671B Parameter, was für den Vollpräzisionsbetrieb erhebliche Hardware erfordert; die meisten verwenden eine quantisierte Version oder eine API.

Was kostet DeepSeek V3.1 und wie groß ist das Kontextfenster?

Über die API kostet es 0,25 $ pro Million Eingabe-Token und 0,95 $ pro Million Ausgabe-Token, mit einem Kontextfenster von 163.840 Token.

Wodurch unterscheidet sich V3.1 von DeepSeek V3 und DeepSeek R1?

V3.1 fügt einen hybriden Denkmodus hinzu (ein Modell deckt schnellen Chat und schrittweises Denken ab), verbessert Werkzeugaufrufe und Agentenaufgaben und erweitert den Kontext auf 128K durch zusätzliches Langzeit-Kontext-Training; im Denkmodus erreicht es eine Qualität vergleichbar mit R1 bei schnellerer Reaktionszeit.

DeepSeek V3.1

4967°

#llm #deepseek #logik #programmieren #agenten #langer kontext

Modell ausführen

Angebote / Werbung

OpenRouter Terminal / API

Bezahlung pro Token

Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.

DeepSeek | 163.840 Token Kontext | $0.25/M Eingabe, $0.95/M Ausgabe. DeepSeek-V3.1 ist ein großes hybrides Denkmodell (671B Parameter, 37B aktiv), das sowohl Denk- als auch Nicht-Denk-Modi über Prompt-Vorlagen unterstützt. Es erweitert die DeepSeek-V3-Basis mit einem zweiphasigen Langzeit-Kontext-Training bis zu 128K Tokens und verwendet FP8-Mikroskalierung für effiziente Inferenz. Nutzer können das Denkverhalten mit dem Boolean "reasoning enabled" steuern. Mehr dazu in unseren docsOpens in new tab. Das Modell verbessert Werkzeugnutzung, Codegenerierung und Denk-Effizienz und erreicht eine…DeepSeek | 163.840 Token Kontext | $0.25/M Eingabe, $0.95/M Ausgabe. DeepSeek-V3.1 ist ein großes hybrides Denkmodell (671B Parameter, 37B aktiv), das sowohl Denk- als auch Nicht-Denk-Modi über Prompt-Vorlagen unterstützt. Es erweitert die DeepSeek-V3-Basis mit einem zweiphasigen Langzeit-Kontext-Training bis zu 128K Tokens und verwendet FP8-Mikroskalierung für effiziente Inferenz. Nutzer können das Denkverhalten mit dem Boolean "reasoning enabled" steuern. Mehr dazu in unseren docsOpens in new tab. Das Modell verbessert Werkzeugnutzung, Codegenerierung und Denk-Effizienz und erreicht eine Leistung, die mit DeepSeek-R1 auf schwierigen Benchmarks vergleichbar ist, reagiert dabei aber schneller. Es unterstützt strukturierte Werkzeugaufrufe, Code-Agenten und Such-Agenten, was es für Forschung, Programmierung und agentenbasierte Workflows geeignet macht. Es ist der Nachfolger des DeepSeek V3-0324 Modells und zeigt gute Leistungen bei einer Vielzahl von Aufgaben.

Anleitungen zu diesem Modell

Beste lokale LLM nach Anwendungsfall (Oktober 2026): Das richtige offene Modell für jede Aufgabe

Wie viel VRAM brauche ich eigentlich für lokale KI?

Was ist eine GGUF-Datei? Quantisierte Modelle erklärt (Q4, Q8, fp8, NF4)

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

DeepSeek V3.1 ist ein 671B Mixture-of-Experts-Modell von DeepSeek, das zur Inferenz 37B Parameter nutzt und sowohl Denk- als auch Nicht-Denk-Modi in einem einzigen Gewichtssatz unterstützt. Sein Denkmodus erreicht eine Qualität vergleichbar mit DeepSeek R1 bei schnellerer Reaktionszeit, und seine Werkzeugaufrufe und Agentenfähigkeiten wurden gegenüber V3 deutlich verbessert. Mit unter einem Dollar pro Million Ausgabe-Token ist es eine ernsthafte Option für alle, die agentenbasierte oder Langdokument-Pipelines mit begrenztem Budget betreiben.

Bekannt für

Hybrid-Denk-/Nicht-Denk-Modus, umschaltbar über Chat-Template, kein separates Modell nötig.
Werkzeugaufrufe und Agenten-Workflows deutlich verbessert gegenüber DeepSeek V3.
128K Kontextfenster, aufgebaut durch zweiphasiges Langzeit-Kontext-Training.
Denkmodus-Qualität vergleichbar mit DeepSeek R1, bei schnelleren Antwortzeiten.
Offene Gewichte auf Hugging Face; FP8-Mikroskalierung für effiziente Inferenz.

Achte auf

671B Gesamtparameter erfordern für lokalen Betrieb ernsthafte Hardware; die meisten Nutzer werden eine API verwenden.
Werkzeugaufrufe sind nur im Nicht-Denk-Modus möglich – strukturierte Werkzeugnutzung und Denkmodus lassen sich nicht kombinieren.
Das Chat-Template hat sich gegenüber V3 geändert; bestehende Prompts und Integrationen müssen möglicherweise angepasst werden.

Am besten für

Programmieren

Agenten und Werkzeugnutzung

Logisches Denken

Langer Kontext

Budget

Prompts zum Ausprobieren

Mehrstufiger Code-Agent

Sie haben Zugriff auf einen Python-Interpreter. Schreiben Sie ein Skript, das die neuesten Wechselkurse für USD, EUR und GBP von einer öffentlichen API abruft, die Kreuzkurse für alle drei Paare berechnet und eine formatierte Tabelle ausgibt. Verwenden Sie Werkzeugaufrufe, um jeden Schritt auszuführen, prüfen Sie die Ausgabe und beheben Sie Fehler, bevor Sie das Endergebnis zurückgeben.

Schwieriges Denk-Rätsel

Fünf Ingenieure treten an verschiedenen Tagen der Woche einem Projekt bei: Montag bis Freitag. Alice kam vor Bob. Carol kam einen Tag nach Dave. Eve kam am Mittwoch. Bob kam nicht am Donnerstag. Dave kam früher in der Woche als Carol, aber später als Eve. Listen Sie den Starttag jedes Ingenieurs auf und zeigen Sie Ihre Schritt-für-Schritt-Überlegungen.

Langdokument-Auswertung

Ich füge unten einen umfangreichen Vertrag ein. Lesen Sie ihn sorgfältig und erstellen Sie: (1) eine ein Absatz umfassende, leicht verständliche Zusammenfassung der Hauptverpflichtungen jeder Partei, (2) eine Aufzählung aller genannten Fristen oder Kündigungsfristen und (3) alle Klauseln, die unerwartete Haftungen für den Käufer schaffen könnten. Markieren Sie alles, was unklar ist. [Vertragstext hier einfügen]

Vergleichen mit

DeepSeek Flash Latest
Nur API-Modell
1,048,576 Token Kontext · $0.04/M Eingabe, $0.68/M Ausgabe
DeepSeek V4 Flash Latest
Nur API-Modell
1,048,576 Token Kontext · $0.01/M Eingabe, $1.28/M Ausgabe
DeepSeek Pro Latest
Nur API-Modell
1,048,576 Token Kontext · $0.25/M Eingabe, $5.00/M Ausgabe
DeepSeek V4.1 Flash
Modell mit offenen Gewichten
1,048,576 Token Kontext · $0.04/M Eingabe, $0.68/M Ausgabe

Mehr Textmodelle von deepseek

Häufig gestellte Fragen

Kann ich DeepSeek V3.1 lokal ausführen?: Die Gewichte sind offen und auf Hugging Face verfügbar, also ja – aber das Modell hat insgesamt 671B Parameter, was für den Vollpräzisionsbetrieb erhebliche Hardware erfordert; die meisten verwenden eine quantisierte Version oder eine API.
Was kostet DeepSeek V3.1 und wie groß ist das Kontextfenster?: Über die API kostet es 0,25 $ pro Million Eingabe-Token und 0,95 $ pro Million Ausgabe-Token, mit einem Kontextfenster von 163.840 Token.
Wodurch unterscheidet sich V3.1 von DeepSeek V3 und DeepSeek R1?: V3.1 fügt einen hybriden Denkmodus hinzu (ein Modell deckt schnellen Chat und schrittweises Denken ab), verbessert Werkzeugaufrufe und Agentenaufgaben und erweitert den Kontext auf 128K durch zusätzliches Langzeit-Kontext-Training; im Denkmodus erreicht es eine Qualität vergleichbar mit R1 bei schnellerer Reaktionszeit.

Captain's Urteil
Ein seltenes Modell, das sowohl auf der Budget- als auch auf der Agenten-Workflow-Shortlist seinen Platz verdient – der hybride Denkmodus ist wirklich nützlich und kein bloßes Marketing-Feature.

Model Card auf Hugging Face

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

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

Wie sich dieser Wert zusammensetzt

Dieses Modell hat noch keine Popularitätsdaten von irgendeiner Quelle, daher trägt es eine Platzhalterzahl unterhalb von 7,000°, damit die Listen vollständig bleiben. Es rangiert niemals über einem Modell mit Daten. Die Aufschlüsselung erscheint hier, sobald eine Quelle sie meldet.

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Ähnliche Modelle

Llama 3.3 70B Instruct Turbo

TEXT / LLM

Qwen3.6 35B A3B

TEXT / LLM

KI-Modelle für Bild-, Video- und Texterzeugung

DeepSeek V3.1 ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm deepseek logik programmieren agenten langer kontext budget

Nach Modellfamilie stöbern