Czy wagi są otwarte i czy mogę uruchomić to lokalnie?

Tak — DeepSeek-V3.1-Terminus jest wydany na licencji MIT, a wagi są dostępne na Hugging Face pod deepseek-ai/DeepSeek-V3.1-Terminus. Struktura modelu jest taka sama jak DeepSeek-V3, więc można używać tych samych narzędzi do lokalnego wnioskowania, choć model jest duży i wymaga mocnego sprzętu.

Ile to kosztuje i jak długie jest okno kontekstu?

Przez API cena to 0,27 USD za milion tokenów wejściowych i 1,00 USD za milion tokenów wyjściowych, z oknem kontekstu 163 840 tokenów.

Czym Terminus różni się od DeepSeek V3.1?

Terminus to wydanie poprawkowe, a nie nowy model — skupia się na dwóch słabościach: spójności językowej (mniej mieszania chińsko-angielskiego) i wydajności agenta (Code Agent i Search Agent). Większość wyników benchmarków jest bliska V3.1, ale zadania agentowe jak SWE-bench i Terminal-bench pokazują wyraźne poprawy.

DeepSeek V3.1 Terminus

1961°

#llm #deepseek #rozumowanie #agenci #kodowanie #lokalny

Uruchom model

Oferty / Reklamy

OpenRouter Terminal / API

Płać za token

Rozmawiaj z tym modelem w przeglądarce lub wywołuj go z kodu za pomocą jednego klucza API.

DeepSeek | kontekst 163 840 tokenów | 0,27 USD/M wejścia, 1,00 USD/M wyjścia. DeepSeek-V3.1 Terminus to aktualizacja [DeepSeek V3.1](/deepseek/deepseek-chat-v3.1), która zachowuje oryginalne możliwości modelu, jednocześnie rozwiązując zgłaszane przez użytkowników problemy, w tym spójność językową i zdolności agentowe, dalej optymalizując model...

Poradniki do tego modelu

Najlepsze lokalne LLM według zastosowania (październik 2026): odpowiedni otwarty model do każdego zadania

Ile VRAM naprawdę potrzebuję do lokalnej AI?

Otwarte wagi vs otwarte źródła vs tylko API: co naprawdę możesz robić

Co to jest plik GGUF? Wyjaśnienie modeli kwantyzowanych (Q4, Q8, fp8, NF4)

Wszystkie poradniki

Notatki kapitana

Napisane przez Captain, redaktora domu

Notatki z 2026-10-13

DeepSeek-V3.1-Terminus to ukierunkowana aktualizacja DeepSeek V3.1 od DeepSeek, naprawiająca dwa konkretne problemy: mieszany język w outputach i słabą wydajność agenta. Zyski w benchmarkach są umiarkowane w większości zadań, ale znaczące w zadaniach agentowych — SWE-bench, BrowseComp i Terminal-bench poprawiają się. Pasuje dla deweloperów tworzących agentów kodu lub wyszukiwania, którzy już korzystali z V3.1 i napotkali te problemy.

Znany z

Lepsza wydajność agenta kodu i agenta wyszukiwania w porównaniu do V3.1
Zmniejszone mieszanie chińsko-angielskiego outputu i niechcianych znaków
Solidne wyniki w SWE-bench: 68,4% zweryfikowanych, 57,8% wielojęzycznych
Licencja MIT — wagi są otwarte i można ich używać komercyjnie
Okno kontekstu 163 840 tokenów przy koszcie poniżej 1,50 USD za milion tokenów łącznie

Uważaj na

Znany problem z formatem danych FP8 w self_attn.o_proj; DeepSeek zapowiada poprawkę.
To duży model — uruchomienie lokalne wymaga poważnego sprzętu; sprawdź wymagania VRAM przed pobraniem.
Ocena na Codeforces nieco spada względem V3.1, więc użytkownicy czysto konkurencyjnego kodowania mogą nie zauważyć poprawy.

Najlepszy do

Agenci i użycie narzędzi

Kodowanie

Rozumowanie

Działa lokalnie

Podpowiedzi do wypróbowania

Agent zadania terminalowego

Masz dostęp do terminala. Projekt Python w /app nie przechodzi testów. Uruchom testy, przeczytaj output, zidentyfikuj przyczynę, popraw odpowiedni plik i ponownie uruchom testy, by potwierdzić naprawę. Pokaż każdą komendę i wyjaśnij swoje rozumowanie między krokami.

Refaktoryzacja wieloplikowa

Mam aplikację Flask, gdzie wywołania bazy danych są rozproszone po handlerach tras. Przepisz ją tak, by cały dostęp do bazy przechodził przez pojedynczą warstwę repozytorium. Pokaż nową strukturę plików, moduł repozytorium i dwa przykładowe handlery tras przepisane do użycia repozytorium. Zachowaj istniejące zachowanie.

Trudna zagadka logiczna

Pięciu inżynierów ma różne języki programowania, pije różne napoje i siedzi przy pięciu biurkach w rzędzie. Inżynier Rust siedzi obok pijącego herbatę. Inżynier Python jest na jednym końcu. Pijący kawę jest dwa miejsca od inżyniera Go. Inżynier TypeScript pije wodę. Kto pije espresso i jakiego języka używa? Pokaż swoje rozumowanie.

Porównaj z

DeepSeek V4.1 Flash
Model z otwartymi wagami
Kontekst 1,048,576 tokenów · $0.04/M wejście, $0.68/M wyjście
DeepSeek V4 Flash 0731
Model z otwartymi wagami
Kontekst 1,048,576 tokenów · $0.01/M wejście, $1.28/M wyjście
DeepSeek V4 Flash 0423
Model z otwartymi wagami
Kontekst 1,048,576 tokenów · $0.09/M wejście, $0.18/M wyjście
DeepSeek V4 Pro 0813
Model z otwartymi wagami
Kontekst 1,048,576 tokenów · $1.32/M wejście, $3.96/M wyjście

Więcej modeli tekstowych od deepseek

Pytania, które ludzie zadają

Czy wagi są otwarte i czy mogę uruchomić to lokalnie?: Tak — DeepSeek-V3.1-Terminus jest wydany na licencji MIT, a wagi są dostępne na Hugging Face pod deepseek-ai/DeepSeek-V3.1-Terminus. Struktura modelu jest taka sama jak DeepSeek-V3, więc można używać tych samych narzędzi do lokalnego wnioskowania, choć model jest duży i wymaga mocnego sprzętu.
Ile to kosztuje i jak długie jest okno kontekstu?: Przez API cena to 0,27 USD za milion tokenów wejściowych i 1,00 USD za milion tokenów wyjściowych, z oknem kontekstu 163 840 tokenów.
Czym Terminus różni się od DeepSeek V3.1?: Terminus to wydanie poprawkowe, a nie nowy model — skupia się na dwóch słabościach: spójności językowej (mniej mieszania chińsko-angielskiego) i wydajności agenta (Code Agent i Search Agent). Większość wyników benchmarków jest bliska V3.1, ale zadania agentowe jak SWE-bench i Terminal-bench pokazują wyraźne poprawy.

Wyrok kapitana
Sensowna poprawka dla użytkowników V3.1, którzy napotkali problemy z mieszaniem języków lub potrzebowali lepszej niezawodności agenta — nie ma powodu do zmiany, jeśli te problemy Cię nie dotyczyły.

Karta modelu na Hugging Face

Kapitan pisze te notatki na podstawie opisu modelu i karty modelu. Ceny i rozmiary kontekstu pochodzą od dostawcy w momencie pisania i mogą się zmieniać.

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

Jak ten wynik się sumuje

Ten model nie ma jeszcze danych o popularności z żadnego źródła, więc ma zastępczą wartość poniżej 7,000°, która pozwala utrzymać kompletność list. Nigdy nie zajmuje wyższej pozycji niż model z danymi. Szczegóły pojawią się tutaj, gdy tylko jakieś źródło je zgłosi.

Słowniczek: używane tu terminy

Wynik heat: Jedna liczba pokazująca, jak bardzo model jest używany i pożądany teraz, od 0° do 9,999°. Każda lista na tej stronie z napisem hottest jest sortowana według tego i niczego innego.
Podstawa: 7,000° to punkt startowy dla każdego modelu z prawdziwymi danymi. Skala idzie od 0° do 9,999°; część poniżej podstawy jest zarezerwowana dla zastępczych modeli (bez danych), żeby model z danymi zawsze był wyżej. Podstawa jest taka sama dla wszystkich i nic nie decyduje; stopnie powyżej niej to właściwy pomiar.
Równoważniki pobrań: Wszystko, co wynik traktuje jak pobranie, zsumowane: same pobrania, każdy seeder torrenta jako 1,000, każde AI Horde zdjęcie i każde uruchomienie na stronie generującej jako jedno.
Skala logarytmiczna: Liczenie co dziesięć, nie co jeden: przejście z 1,000 do 10,000 pobrań dodaje tyle samo stopni, co z 10,000 do 100,000. Zapobiega to dominacji gigantów nad resztą.
Polubienia: Kciuki w górę i polubienia ze wszystkich źródeł, warte połowę pobrania na skali logarytmicznej.
Tempo adopcji: Ile pobrań dziennie model ma teraz, na podstawie różnicy między dwoma odczytami źródła. Ćwierć wagi terminu pobrania.
Zmierzony i szacowany: Zmierzony oznacza, że istnieją dwa odczyty źródła i różnica jest rzeczywista. Szacowany oznacza, że znana jest tylko dzisiejsza suma, a przeszłość jest rozłożona na czas życia modelu; strona mówi, który z nich pokazuje.
Seeder: Ktoś, kto trzyma kopię wag online, aby inni mogli je pobrać przez torrent, albo hostowany mirror robiący to samo. Każdy taki liczy się jako 1 000 pobrań.
AI Horde: Sieć wolontariuszy, która generuje obrazy za darmo na komputerach darczyńców. Liczba obrazów wygenerowanych z modelem jest publiczna i każde liczy się jako jedno pobranie.
Strony generujące: Strony, które mają własne kopie modelu i pozwalają ludziom generować z nim obrazy, takie jak PixAI, SeaArt i Yodayo. Ich pobrania liczą się jak na Civitai, a każde uruchomienie generowania to jedno pobranie.
Tokeny OpenRouter: Model tekstowy obsługiwany przez API, taki jak Claude czy GPT, nie ma wag do pobrania, więc jego użycie mierzy się tokenami: fragmentami tekstu, które przeczytał i napisał przez OpenRouter, bramkę używaną przez wiele aplikacji, w ciągu ostatnich 30 dni. Każde 10,000,000 tokenów liczy się jako jedno pobranie. Źródło: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Pełny model (checkpoint): Same wagi, plik, który generuje samodzielnie. Dostaje bonus, bo dodatki od niego zależą.
LoRA i embedding: Małe pliki dodatków, które kierują czyjeś wagi w stronę stylu, postaci lub koncepcji. Nie mogą działać samodzielnie.
Rodzina i wagi: Podstawa, na której zbudowano model, np. SD 1.5, SDXL, Flux lub Wan. Każdy model dziedziczy datę wydania wag swojej rodziny.
Wiek: Stopnie odejmowane za to, jak dawno wyszły wagi rodziny: 150° za rok, do 750°. Zachowuje stare pobrania, które miały lata na narastanie, zamrażając szczyt listy.
Wzmocnienie rodziny: Małe, ograniczone wsparcie dla LoRA z rodziny, którą ta strona teraz promuje, zawsze podane w rozbiciu.
Wynik zastępczy: Stabilna liczba poniżej minimum, przyznawana modelowi, o którym jeszcze nie ma danych źródłowych, żeby listy były kompletne. Nigdy nie jest wyżej niż model z danymi.
Nowy! (okres karencji): Model młodszy niż 7 dni pokazuje Nowy! zamiast wyniku i nie zajmuje miejsca w rankingu. Jego wynik jest liczony od pierwszego dnia, ale model jednodniowy rośnie najszybciej, więc bez oczekiwania #1 tygodnia byłby zawsze tym, który pojawił się wczoraj, a nie tym, który utrzymał się przez tydzień.
Trend: Jak wzrost modelu w danym okresie wypada na tle typowego wzrostu modelu w tym samym czasie. Szybszy niż zwykle to wzrost, wolniejszy to spadek.
Typowy model: Środek katalogu: połowa modeli z danymi rosła szybciej w tym okresie, połowa wolniej.

Podobne modele

Gemini 3.1 Pro Preview Custom Tools

Qwen3 VL 30B A3B Thinking

TEXT / LLM

Modele AI do generowania obrazów, wideo i tekstu

DeepSeek V3.1 Terminus to model tekstowy z rodziny Text / LLM wymieniony na ModelTrends.ai, katalogu tylko do odczytu otwartych modeli AI do obrazów, wideo i tekstu. Porównaj go z innymi modelami Text / LLM i sprawdź wynik popularności, aby zobaczyć trend.

Więcej modeli Text / LLM Więcej Text / LLM Tekst / LLM llm deepseek rozumowanie agenci kodowanie lokalny

Przeglądaj według rodziny modeli