Bisakah saya menjalankan DeepSeek V3.1 secara lokal?

Bobotnya terbuka dan tersedia di Hugging Face, jadi ya — tapi model ini 671B parameter total, yang membutuhkan perangkat keras besar untuk menjalankan dengan presisi penuh; kebanyakan orang akan menggunakan versi terkuantisasi atau API.

Berapa biaya DeepSeek V3.1 dan berapa jendela konteksnya?

Melalui API harganya $0,25 per juta token input dan $0,95 per juta token output, dengan jendela konteks 163.840 token.

Apa perbedaan V3.1 dengan DeepSeek V3 dan DeepSeek R1?

V3.1 menambahkan mode berpikir hybrid (jadi satu model mencakup chat cepat dan penalaran langkah demi langkah), meningkatkan pemanggilan alat dan tugas agen, serta memperluas konteks ke 128K melalui pelatihan konteks panjang tambahan; dalam mode berpikir kualitasnya setara dengan R1 namun lebih cepat.

DeepSeek V3.1

4967°

#llm #deepseek #penalaran #pemrograman #agen #konteks panjang

Jalankan model ini

Penawaran / Iklan

OpenRouter Terminal / API

Bayar per token

Ngobrol dengan model ini di browser atau panggil dari kode kamu dengan satu API key.

DeepSeek | konteks token 163.840 | $0,25/M input, $0,95/M output. DeepSeek-V3.1 adalah model penalaran hibrida besar (671 miliar parameter, 37 miliar aktif) yang mendukung mode berpikir dan non-berpikir melalui template prompt. Model ini memperluas dasar DeepSeek-V3 dengan proses pelatihan konteks panjang dua fase, mencapai hingga 128K token, dan menggunakan FP8 microscaling untuk inferensi yang efisien. Pengguna dapat mengontrol perilaku penalaran dengan boolean reasoning enabled. Pelajari lebih lanjut di docs kamiOpens in new tab Model ini meningkatkan penggunaan alat, pembuatan kode, dan…DeepSeek | konteks token 163.840 | $0,25/M input, $0,95/M output. DeepSeek-V3.1 adalah model penalaran hibrida besar (671 miliar parameter, 37 miliar aktif) yang mendukung mode berpikir dan non-berpikir melalui template prompt. Model ini memperluas dasar DeepSeek-V3 dengan proses pelatihan konteks panjang dua fase, mencapai hingga 128K token, dan menggunakan FP8 microscaling untuk inferensi yang efisien. Pengguna dapat mengontrol perilaku penalaran dengan boolean reasoning enabled. Pelajari lebih lanjut di docs kamiOpens in new tab Model ini meningkatkan penggunaan alat, pembuatan kode, dan efisiensi penalaran, mencapai performa yang sebanding dengan DeepSeek-R1 pada tolok ukur sulit sambil merespons lebih cepat. Mendukung pemanggilan alat terstruktur, agen kode, dan agen pencarian, membuatnya cocok untuk riset, pengkodean, dan alur kerja agen. Model ini merupakan penerus DeepSeek V3-0324 dan berkinerja baik pada berbagai tugas.

Panduan untuk model ini

LLM lokal terbaik berdasarkan kasus penggunaan (Oktober 2026): model terbuka yang tepat untuk setiap pekerjaan

Berapa banyak VRAM yang sebenarnya saya butuhkan untuk AI lokal?

Apa itu file GGUF? Penjelasan model terkuantisasi (Q4, Q8, fp8, NF4)

Semua panduan

Catatan Kapten

Ditulis oleh Captain, editor rumah

Catatan dari 2026-10-13

DeepSeek V3.1 adalah model mixture-of-experts 671B dari DeepSeek yang menjalankan 37B parameter saat inferensi dan mendukung mode berpikir dan non-berpikir dalam satu set bobot. Mode berpikirnya mencapai kualitas yang sebanding dengan DeepSeek R1 sambil merespons lebih cepat, dan kemampuan pemanggilan alat serta agen telah ditingkatkan secara signifikan dibanding V3. Dengan biaya kurang dari satu dolar per juta token output, ini adalah opsi serius bagi siapa saja yang menjalankan pipeline agentik atau dokumen panjang dengan anggaran terbatas.

Dikenal untuk

Mode berpikir/non-berpikir hybrid yang dapat dipilih lewat template chat, tanpa perlu model terpisah.
Pemanggilan alat dan alur kerja agen yang jauh lebih baik dibanding DeepSeek V3.
Jendela konteks 128K dibangun melalui proses pelatihan konteks panjang dua fase.
Kualitas mode berpikir setara dengan DeepSeek R1, dengan waktu respons lebih cepat.
Bobot terbuka tersedia di Hugging Face; microscaling FP8 untuk inferensi efisien.

Waspadai

671B parameter total berarti deployment lokal butuh perangkat keras serius; sebagian besar pengguna akan memakai API.
Pemanggilan alat hanya didukung di mode non-berpikir — Anda tidak bisa menggabungkan penggunaan alat terstruktur dengan mode penalaran.
Template chat berubah dari V3; prompt dan integrasi lama mungkin perlu diperbarui.

Terbaik untuk

Pemrograman

Agen dan penggunaan alat

Penalaran

Konteks panjang

Anggaran

Prompt untuk dicoba

Agen kode multi-langkah

Anda memiliki akses ke interpreter Python. Tulis skrip yang mengambil kurs terbaru USD, EUR, dan GBP dari API publik, menghitung kurs silang untuk ketiga pasangan, dan mencetak tabel terformat. Gunakan pemanggilan alat untuk menjalankan setiap langkah, periksa output, dan perbaiki kesalahan sebelum mengembalikan hasil akhir.

Teka-teki penalaran sulit

Lima insinyur bergabung proyek pada hari berbeda: Senin sampai Jumat. Alice bergabung sebelum Bob. Carol bergabung sehari setelah Dave. Eve bergabung pada hari Rabu. Bob tidak bergabung pada hari Kamis. Dave bergabung lebih awal dari Carol tapi lebih lambat dari Eve. Daftar hari mulai setiap insinyur dan tunjukkan alasan Anda langkah demi langkah.

Ekstraksi dokumen panjang

Saya menempelkan kontrak panjang di bawah ini. Bacalah dengan cermat dan hasilkan: (1) ringkasan satu paragraf dalam bahasa Inggris sederhana tentang kewajiban utama setiap pihak, (2) daftar poin setiap tenggat waktu atau periode pemberitahuan yang disebutkan, dan (3) klausul yang bisa menimbulkan tanggung jawab tak terduga bagi pembeli. Tandai hal ambigu. [Tempel teks kontrak di sini]

Bandingkan dengan

DeepSeek Flash Latest
Model hanya API
konteks 1,048,576 token · $0.04/M input, $0.68/M output
DeepSeek V4 Flash Latest
Model hanya API
konteks 1,048,576 token · $0.01/M input, $1.28/M output
DeepSeek Pro Latest
Model hanya API
konteks 1,048,576 token · $0.25/M input, $5.00/M output
DeepSeek V4.1 Flash
Model dengan bobot terbuka
konteks 1,048,576 token · $0.04/M input, $0.68/M output

Model teks lain dari deepseek

Pertanyaan yang sering diajukan

Bisakah saya menjalankan DeepSeek V3.1 secara lokal?: Bobotnya terbuka dan tersedia di Hugging Face, jadi ya — tapi model ini 671B parameter total, yang membutuhkan perangkat keras besar untuk menjalankan dengan presisi penuh; kebanyakan orang akan menggunakan versi terkuantisasi atau API.
Berapa biaya DeepSeek V3.1 dan berapa jendela konteksnya?: Melalui API harganya $0,25 per juta token input dan $0,95 per juta token output, dengan jendela konteks 163.840 token.
Apa perbedaan V3.1 dengan DeepSeek V3 dan DeepSeek R1?: V3.1 menambahkan mode berpikir hybrid (jadi satu model mencakup chat cepat dan penalaran langkah demi langkah), meningkatkan pemanggilan alat dan tugas agen, serta memperluas konteks ke 128K melalui pelatihan konteks panjang tambahan; dalam mode berpikir kualitasnya setara dengan R1 namun lebih cepat.

Putusan Kapten
Model langka yang layak masuk daftar anggaran dan daftar alur kerja agentik — mode berpikir hybrid benar-benar berguna, bukan sekadar fitur pemasaran.

Kartu model di Hugging Face

Kapten menulis catatan ini dari deskripsi model dan kartu model itu sendiri. Harga dan ukuran konteks adalah milik penyedia pada saat penulisan dan dapat berubah.

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

Bagaimana skor ini dihitung

Model ini belum punya data popularitas dari sumber mana pun, jadi memakai angka pengganti di bawah 7,000° supaya daftar tetap lengkap. Model ini tidak pernah berada di atas model yang punya data. Rinciannya akan muncul di sini segera setelah ada laporan dari sumber.

Glosarium: istilah yang dipakai di sini

Skor heat: Satu angka untuk seberapa banyak model dipakai dan diinginkan sekarang, dari 0° sampai 9.999°. Setiap daftar di situs ini yang bilang terpanas diurutkan berdasarkan ini dan tidak ada yang lain.
Lantai: 7.000° yang jadi titik awal semua model dengan data nyata. Skala dari 0° sampai 9.999°; bagian di bawah lantai untuk pengganti (model tanpa data), supaya model dengan data selalu di atas yang tanpa. Lantai sama untuk semua dan tidak menentukan apa-apa; derajat di atasnya yang dihitung.
Setara unduhan: Semua yang dihitung skor sebagai unduhan, dijumlahkan: unduhan itu sendiri, setiap torrent seeder dihitung 1.000, setiap gambar AI Horde dan setiap run di situs generasi dihitung satu.
Skala log: Menghitung per puluhan, bukan per satuan: naik dari 1.000 ke 10.000 unduhan menambah derajat yang sama dengan naik dari 10.000 ke 100.000. Ini mencegah raksasa mendominasi semuanya.
Suka: Jempol ke atas dan suka dari semua sumber, bernilai setengah unduhan di skala log.
Tingkat adopsi: Berapa banyak unduhan per hari yang didapat model sekarang, dari selisih dua pembacaan sumber. Bobot seperempat dari istilah unduhan.
Diukur dan diperkirakan: Diukur berarti ada dua pembacaan dari sumber dan perbedaannya nyata. Diperkirakan berarti hanya total hari ini yang diketahui dan masa lalu dibagi selama umur model; situs memberitahu mana yang sedang ditampilkan.
Seeder: Seseorang yang menyimpan salinan bobot secara online agar orang lain bisa mengunduh lewat torrent, atau mirror yang dihosting melakukan hal yang sama. Setiap satu dihitung sebagai 1.000 unduhan.
AI Horde: Jaringan sukarelawan yang menghasilkan gambar secara gratis di komputer yang disumbangkan. Jumlah gambar yang dibuat dengan model tertentu bersifat publik, dan setiap gambar dihitung sebagai satu unduhan.
Situs generasi: Situs yang menyimpan salinan model sendiri dan membiarkan orang menghasilkan gambar dengannya, seperti PixAI, SeaArt, dan Yodayo. Unduhan mereka dihitung seperti di Civitai dan setiap kali generasi dihitung sebagai satu unduhan.
Token OpenRouter: Model teks yang dilayani melalui API, seperti Claude atau GPT, tidak memiliki bobot untuk diunduh, jadi penggunaannya diukur dalam token: potongan teks yang dibaca dan ditulis melalui OpenRouter, gateway yang digunakan banyak aplikasi, selama 30 hari terakhir. Setiap 10,000,000 token dihitung sebagai satu unduhan. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Bobot itu sendiri, file yang bisa menghasilkan secara mandiri. Mendapat bonus karena add-on bergantung padanya.
LoRA dan embedding: File add-on kecil yang mengarahkan bobot orang lain ke gaya, karakter, atau konsep tertentu. Tidak bisa dijalankan sendiri.
Keluarga dan bobot: Dasar yang dipakai model, seperti SD 1.5, SDXL, Flux, atau Wan. Setiap model mewarisi tanggal rilis bobot keluarganya.
Usia: Pengurangan nilai berdasarkan seberapa lama bobot keluarga itu dirilis: 150° per tahun, sampai maksimal 750°. Ini menjaga unduhan lama yang sudah bertahun-tahun menumpuk agar tetap di atas daftar.
Dorongan keluarga: Dorongan kecil dan terbatas untuk LoRA dari keluarga yang sedang didorong situs ini sekarang, selalu tercantum dalam rincian.
Skor pengganti: Angka stabil di bawah batas yang diberikan pada model yang belum ada laporan sumbernya, supaya daftar tetap lengkap. Tidak pernah lebih tinggi dari model yang punya data.
Baru! (masa tenggang): Model yang berumur kurang dari 7 hari menunjukkan label Baru! bukan skor dan tidak masuk peringkat. Skornya dihitung sejak hari pertama, tapi model yang baru sehari tumbuh lebih cepat dari apa pun, jadi tanpa masa tunggu model #1 minggu ini selalu yang baru kemarin, bukan yang bertahan seminggu.
Tren: Bagaimana pertumbuhan model selama periode tertentu dibandingkan dengan pertumbuhan model biasa di periode yang sama. Lebih cepat dari biasanya berarti naik, lebih lambat berarti turun.
Model biasa: Tengah katalog: setengah model dengan angka tumbuh lebih cepat selama periode itu, setengahnya lebih lambat.

Model Serupa

Model AI untuk Pembuatan Gambar, Video & Teks

DeepSeek V3.1 adalah model teks untuk keluarga Text / LLM yang tercantum di ModelTrends.ai, katalog hanya-baca untuk model AI gambar, video, dan teks open source. Bandingkan dengan model Text / LLM lainnya dan lihat skor popularitasnya untuk mengetahui trennya.

Model Text / LLM lainnya Teks / LLM Text / LLM lainnya llm deepseek penalaran pemrograman agen konteks panjang anggaran

Jelajahi berdasarkan Keluarga Model