Sind die Gewichte offen und kann ich das lokal ausführen?

Ja – DeepSeek-V3.1-Terminus ist unter MIT-Lizenz veröffentlicht und die Gewichte sind auf Hugging Face unter deepseek-ai/DeepSeek-V3.1-Terminus verfügbar. Die Modellstruktur ist dieselbe wie bei DeepSeek-V3, daher gilt dieselbe lokale Inferenz-Toolchain, allerdings ist das Modell groß und benötigt erhebliche Hardware.

Was kostet es und wie lang ist das Kontextfenster?

Über die API kostet es 0,27 $ pro Million Eingabetoken und 1,00 $ pro Million Ausgabetoken, mit einem Kontextfenster von 163.840 Token.

Worin unterscheidet sich Terminus von DeepSeek V3.1?

Terminus ist ein Patch-Release, kein neues Modell – es behebt zwei spezifische Schwächen: Sprachkonsistenz (weniger gemischte chinesisch-englische Ausgaben) und Agentenleistung (Code Agent und Search Agent). Die meisten Benchmark-Werte liegen nahe bei V3.1, aber agentenbasierte Aufgaben wie SWE-bench und Terminal-bench zeigen die deutlichsten Verbesserungen.

DeepSeek V3.1 Terminus

1961°

#llm #deepseek #logik #agenten #programmieren #lokal

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 | $0,27/M Eingabe, $1,00/M Ausgabe. DeepSeek-V3.1 Terminus ist ein Update zu [DeepSeek V3.1](/deepseek/deepseek-chat-v3.1), das die ursprünglichen Fähigkeiten des Modells beibehält und gleichzeitig von Nutzern gemeldete Probleme adressiert, darunter Sprachkonsistenz und Agentenfähigkeiten, und das Modell weiter optimiert...

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?

Offene Gewichte vs. Open Source vs. Nur API: Was du wirklich darfst

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-Terminus ist ein gezieltes Update zu DeepSeek V3.1 von DeepSeek, das zwei spezifische Probleme behebt: gemischte Sprach-Ausgaben und schwache Agentenleistung. Die Benchmark-Verbesserungen sind bei den meisten Aufgaben moderat, aber bei agentenbasierten Aufgaben – SWE-bench, BrowseComp und Terminal-bench – deutlich. Es eignet sich für Entwickler, die Code- oder Suchagenten bauen und bereits V3.1 nutzen, aber an diesen Schwachstellen scheitern.

Bekannt für

Bessere Code-Agent- und Such-Agent-Leistung gegenüber V3.1
Reduzierte gemischte chinesisch-englische Ausgaben und weniger fehlerhafte Zeichen
Solide SWE-bench-Ergebnisse: 68,4 % verifiziert, 57,8 % mehrsprachig
MIT-Lizenz – Gewichte sind offen und kommerziell nutzbar
163.840-Token-Kontextfenster zu deutlich unter 1,50 $/M kombiniert

Achte auf

Ein bekannter FP8-Skalierungsdatenformatfehler in self_attn.o_proj ist vorhanden; DeepSeek kündigt eine Behebung an.
Dies ist ein großes Modell – der lokale Betrieb erfordert ernsthafte Hardware; VRAM-Anforderungen vor dem Download prüfen.
Die Codeforces-Bewertung sinkt leicht gegenüber V3.1, reine Competitive-Coding-Nutzer sehen möglicherweise keine Verbesserung.

Am besten für

Agenten und Werkzeugnutzung

Programmieren

Logisches Denken

Lokal ausführbar

Prompts zum Ausprobieren

Terminal-Aufgabenagent

Du hast Zugriff auf ein Terminal. Ein Python-Projekt in /app schlägt bei seinem Testlauf fehl. Führe die Tests aus, lese die Ausgabe, finde die Ursache, patch die relevante Datei und führe die Tests erneut aus, um die Behebung zu bestätigen. Zeige jeden Befehl und erkläre deine Überlegungen zwischen den Schritten.

Mehrdatei-Refaktorierung

Ich habe eine Flask-App, in der Datenbankaufrufe über verschiedene Routenhandler verteilt sind. Refaktoriere sie so, dass alle DB-Zugriffe über eine einzelne Repository-Schicht laufen. Zeige die neue Dateistruktur, das Repository-Modul und zwei Beispiel-Routenhandler, die es verwenden. Das bestehende Verhalten soll erhalten bleiben.

Schwieriges Denkrätsel

Fünf Ingenieure besitzen jeweils eine andere Programmiersprache, trinken ein anderes Getränk und sitzen in einer Reihe von fünf Schreibtischen. Der Rust-Ingenieur sitzt neben dem Teetrinker. Der Python-Ingenieur sitzt an einem Ende. Der Kaffeetrinker sitzt zwei Plätze vom Go-Ingenieur entfernt. Der TypeScript-Ingenieur trinkt Wasser. Wer trinkt Espresso und welche Sprache verwendet diese Person? Zeige deine Überlegungen.

Vergleichen mit

DeepSeek V4.1 Flash
Modell mit offenen Gewichten
1,048,576 Token Kontext · $0.04/M Eingabe, $0.68/M Ausgabe
DeepSeek V4 Flash 0731
Modell mit offenen Gewichten
1,048,576 Token Kontext · $0.01/M Eingabe, $1.28/M Ausgabe
DeepSeek V4 Flash 0423
Modell mit offenen Gewichten
1,048,576 Token Kontext · $0.09/M Eingabe, $0.18/M Ausgabe
DeepSeek V4 Pro 0813
Modell mit offenen Gewichten
1,048,576 Token Kontext · $1.32/M Eingabe, $3.96/M Ausgabe

Mehr Textmodelle von deepseek

Häufig gestellte Fragen

Sind die Gewichte offen und kann ich das lokal ausführen?: Ja – DeepSeek-V3.1-Terminus ist unter MIT-Lizenz veröffentlicht und die Gewichte sind auf Hugging Face unter deepseek-ai/DeepSeek-V3.1-Terminus verfügbar. Die Modellstruktur ist dieselbe wie bei DeepSeek-V3, daher gilt dieselbe lokale Inferenz-Toolchain, allerdings ist das Modell groß und benötigt erhebliche Hardware.
Was kostet es und wie lang ist das Kontextfenster?: Über die API kostet es 0,27 $ pro Million Eingabetoken und 1,00 $ pro Million Ausgabetoken, mit einem Kontextfenster von 163.840 Token.
Worin unterscheidet sich Terminus von DeepSeek V3.1?: Terminus ist ein Patch-Release, kein neues Modell – es behebt zwei spezifische Schwächen: Sprachkonsistenz (weniger gemischte chinesisch-englische Ausgaben) und Agentenleistung (Code Agent und Search Agent). Die meisten Benchmark-Werte liegen nahe bei V3.1, aber agentenbasierte Aufgaben wie SWE-bench und Terminal-bench zeigen die deutlichsten Verbesserungen.

Captain's Urteil
Ein sinnvoller Patch für V3.1-Nutzer, die Sprachmischungsfehler oder bessere Agenten-Zuverlässigkeit brauchten – kein Grund zum Wechsel, wenn das nicht zutrifft.

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

Meta Llama 3.1 70B Instruct Turbo

KI-Modelle für Bild-, Video- und Texterzeugung

DeepSeek V3.1 Terminus 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 agenten programmieren lokal

Nach Modellfamilie stöbern