Greutățile sunt deschise și pot rula local?

Da — DeepSeek-V3.1-Terminus este lansat sub licența MIT, iar greutățile sunt pe Hugging Face la deepseek-ai/DeepSeek-V3.1-Terminus. Structura modelului este aceeași ca DeepSeek-V3, deci se aplică aceleași unelte locale de inferență, deși modelul este mare și necesită hardware substanțial.

Care este costul și cât de lungă este fereastra de context?

Prin API prețul este 0,27 USD per milion de tokeni de intrare și 1,00 USD per milion de tokeni de ieșire, cu o fereastră de context de 163.840 tokeni.

Cum diferă Terminus de DeepSeek V3.1?

Terminus este o versiune patch, nu un model nou — vizează două slăbiciuni specifice: consistența limbajului (mai puțin output mixt chinezo-englez) și performanța agentului (Code Agent și Search Agent). Majoritatea scorurilor de benchmark sunt apropiate de V3.1, dar sarcinile agentice precum SWE-bench și Terminal-bench arată cele mai clare câștiguri.

DeepSeek V3.1 Terminus

1961°

#llm #deepseek #raționament #agenți #programare #local

Rulează modelul

Oferte / Reclame

OpenRouter Terminal / API

Plătește pe token

Conversează cu acest model în browser sau apelează-l din codul tău cu o singură cheie API.

DeepSeek | context de 163.840 tokeni | $0.27/M input, $1.00/M output. DeepSeek-V3.1 Terminus este o actualizare a [DeepSeek V3.1](/deepseek/deepseek-chat-v3.1) care păstrează capacitățile originale ale modelului în timp ce abordează problemele raportate de utilizatori, inclusiv consistența limbajului și capacitățile agenților, optimizând în continuare modelul...

Ghiduri pentru acest model

Cel mai bun LLM local după caz de utilizare (octombrie 2026): modelul open potrivit pentru fiecare job

De câțiva GB de VRAM am nevoie cu adevărat pentru AI local?

Greutăți deschise vs open source vs doar API: ce ai voie să faci cu adevărat

Ce este un fișier GGUF? Modele cuantificate explicate (Q4, Q8, fp8, NF4)

Toate ghidurile

Notele căpitanului

Scris de Captain, editorul casei

Note din 2026-10-13

DeepSeek-V3.1-Terminus este o actualizare țintită a DeepSeek V3.1 de la DeepSeek, rezolvând două plângeri specifice: ieșirea în limbaj mixt și performanța slabă a agentului. Îmbunătățirile de benchmark sunt modeste la majoritatea sarcinilor, dar semnificative la cele agentice — SWE-bench, BrowseComp și Terminal-bench urcă toate. Este potrivit pentru dezvoltatorii care construiesc agenți de cod sau căutare și foloseau deja V3.1, dar au întâmpinat aceste probleme.

Cunoscut pentru

Performanță mai bună a agentului de cod și agentului de căutare față de V3.1
Reducerea ieșirii mixte chinezo-engleze și a caracterelor străine
Scoruri solide la SWE-bench: 68,4% verificate, 57,8% multilingv
Licență MIT — greutățile sunt deschise și gratuite pentru uz comercial
Fereastră de context de 163.840 tokeni la un cost sub 1,50 USD/M combinat

Atenție la

Există o problemă cunoscută cu formatul de date FP8 scale în self_attn.o_proj; DeepSeek spune că o corecție este în curs.
Este un model mare — rularea locală necesită hardware serios; verificați cerințele de VRAM înainte de descărcare.
Ratingul Codeforces scade ușor față de V3.1, deci utilizatorii de codare competitivă pură pot să nu observe o îmbunătățire.

Cel mai bun pentru

Agenți și utilizare unelte

Programare

Raționament

Rulează local

Sugestii de încercat

Agent de sarcini în terminal

Ai acces la un terminal. Un proiect Python în /app nu trece testele. Rulează testele, citește ieșirea, identifică cauza principală, repară fișierul relevant și rulează testele din nou pentru a confirma remedierea. Arată fiecare comandă rulată și explică raționamentul între pași.

Refactorizare multi-fișier

Am o aplicație Flask unde apelurile la baza de date sunt răspândite în handler-ele de rute. Refactorizează astfel încât tot accesul la DB să treacă printr-un singur strat de repository. Arată noua structură de fișiere, modulul repository și două exemple de handler-e de rute rescrise să îl folosească. Păstrează comportamentul existent.

Puzzle de raționament dificil

Cinci ingineri dețin fiecare o limbă de programare diferită, beau o băutură diferită și stau la o rând de cinci birouri. Inginerul Rust stă lângă cel care bea ceai. Inginerul Python este la un capăt. Cel care bea cafea este la două locuri distanță de inginerul Go. Inginerul TypeScript bea apă. Cine bea espresso și ce limbaj folosește? Arată raționamentul tău.

Compară cu

DeepSeek V4.1 Flash
Model cu greutăți deschise
context de 1,048,576 tokeni · $0.04/M intrare, $0.68/M ieșire
DeepSeek V4 Flash 0731
Model cu greutăți deschise
context de 1,048,576 tokeni · $0.01/M intrare, $1.28/M ieșire
DeepSeek V4 Flash 0423
Model cu greutăți deschise
context de 1,048,576 tokeni · $0.09/M intrare, $0.18/M ieșire
DeepSeek V4 Pro 0813
Model cu greutăți deschise
context de 1,048,576 tokeni · $1.32/M intrare, $3.96/M ieșire

Mai multe modele text de la deepseek

Întrebări frecvente

Greutățile sunt deschise și pot rula local?: Da — DeepSeek-V3.1-Terminus este lansat sub licența MIT, iar greutățile sunt pe Hugging Face la deepseek-ai/DeepSeek-V3.1-Terminus. Structura modelului este aceeași ca DeepSeek-V3, deci se aplică aceleași unelte locale de inferență, deși modelul este mare și necesită hardware substanțial.
Care este costul și cât de lungă este fereastra de context?: Prin API prețul este 0,27 USD per milion de tokeni de intrare și 1,00 USD per milion de tokeni de ieșire, cu o fereastră de context de 163.840 tokeni.
Cum diferă Terminus de DeepSeek V3.1?: Terminus este o versiune patch, nu un model nou — vizează două slăbiciuni specifice: consistența limbajului (mai puțin output mixt chinezo-englez) și performanța agentului (Code Agent și Search Agent). Majoritatea scorurilor de benchmark sunt apropiate de V3.1, dar sarcinile agentice precum SWE-bench și Terminal-bench arată cele mai clare câștiguri.

Verdictul căpitanului
Un patch rezonabil pentru utilizatorii V3.1 care au întâmpinat probleme cu mixarea limbajelor sau au avut nevoie de fiabilitate mai bună a agentului — nu un motiv să treci dacă nu ai aceste probleme.

Fișa modelului pe Hugging Face

Căpitanul scrie aceste note pe baza descrierii modelului și a fișei modelului. Prețurile și dimensiunile contextului sunt cele ale furnizorului la momentul scrierii și pot varia.

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

Cum se adună acest scor

Acest model nu are încă date de popularitate de la nicio sursă, așa că are un număr provizoriu sub 7,000° care menține listele complete. Nu va fi niciodată clasat mai sus decât un model cu date. Descompunerea apare aici imediat ce o sursă o raportează.

Glosar: termenii folosiți aici

Scor de căldură: Un număr care arată cât de mult este folosit și dorit un model acum, de la 0° la 9.999°. Fiecare listă de pe site care spune „cele mai călduroase” este sortată după acest scor și nimic altceva.
Prag: 7.000° este punctul de start pentru orice model cu date reale. Scara merge de la 0° la 9.999°; partea de sub prag este rezervată pentru înlocuitori (modele fără date), ca să fie sigur că un model cu date e mereu mai sus decât unul fără. Pragul e același pentru toți și nu decide nimic; gradele de deasupra lui sunt măsurătoarea.
Echivalente descărcări: Tot ce scorul tratează ca o descărcare, adunat: descărcările în sine, fiecare seeder de torrent ca 1.000, fiecare imagine AI Horde și fiecare rulare pe un site de generare ca una.
Scară logaritmică: Se numără la zeci, nu la unități: trecerea de la 1.000 la 10.000 descărcări adaugă aceleași grade ca trecerea de la 10.000 la 100.000. Astfel, modelele mari nu acoperă tot ce e mic.
Aprecieri: Like-uri și aprecieri de oriunde, fiecare valorează jumătate dintr-o descărcare pe scara logaritmică.
Rata de adoptare: Câte descărcări pe zi primește un model acum, calculat din diferența dintre două citiri ale unei surse. Are un sfert din greutatea termenului de descărcare.
Măsurat și estimat: Măsurat înseamnă că există două citiri ale unei surse și diferența este reală. Estimat înseamnă că se știe doar totalul de azi, iar trecutul este împărțit pe durata vieții modelului; site-ul spune care dintre ele este afișat.
Seeder: Cineva care păstrează o copie a greutăților online pentru ca alții să le descarce prin torrent, sau o oglindă găzduită care face același lucru. Fiecare contează ca 1.000 de descărcări.
AI Horde: O rețea de voluntari care generează imagini gratuit pe calculatoare donate. Numărul de imagini create cu un model este public și fiecare contează ca o descărcare.
Site-uri de generare: Site-uri care găzduiesc propriile copii ale unui model și permit oamenilor să genereze cu el, cum ar fi PixAI, SeaArt și Yodayo. Descărcările lor contează ca cele de pe Civitai, iar fiecare rulare de generare ca o descărcare.
Tokeni OpenRouter: Un model de text servit printr-un API, cum ar fi Claude sau GPT, nu are greutăți de descărcat, deci utilizarea sa se măsoară în tokeni: bucățile de text citite și scrise prin OpenRouter, un gateway folosit de multe aplicații, în ultimele 30 de zile. Fiecare 10,000,000 tokeni contează ca un download. Sursa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model complet (checkpoint): Greutățile în sine, fișierul care generează singur. Primește un bonus pentru că depind de el add-on-urile.
LoRA și embedding: Fișiere mici add-on care direcționează greutățile altcuiva spre un stil, un personaj sau un concept. Nu pot rula singure.
Familie și greutăți: Baza pe care este construit un model, cum ar fi SD 1.5, SDXL, Flux sau Wan. Fiecare model moștenește data lansării greutăților familiei sale.
Vârstă: Grade scăzute în funcție de cât timp a trecut de când au apărut greutățile familiei: 150° pe an, până la 750°. Păstrează descărcările vechi care au avut ani să se acumuleze, blocând topul listei.
Boost de familie: Un mic impuls limitat pentru LoRA-urile unei familii pe care site-ul o promovează acum, întotdeauna listat în detaliu.
Scor de rezervă: Un număr stabil sub prag, dat unui model despre care nicio sursă nu raportează încă, ca listele să rămână complete. Nu se clasează niciodată peste un model cu date.
Nou! (perioadă de grație): Un model mai nou de 7 zile afișează Nou! în loc de scor și nu ocupă loc în clasamente. Scorul său este calculat de la prima zi, dar un model de o zi crește mai rapid decât orice altceva, deci fără această așteptare, modelul #1 al săptămânii ar fi întotdeauna cel apărut ieri, nu cel care a rezistat o săptămână.
Tendință: Cum se compară creșterea unui model într-o perioadă cu creșterea tipică a unui model în aceeași perioadă. Mai rapid decât tipicul înseamnă creștere, mai lent scădere.
Model tipic: Mijlocul catalogului: jumătate dintre modele cu o cifră au crescut mai repede în perioada respectivă, jumătate mai încet.

Modele similare

Nemotron 3.5 Super VL

TEXT / LLM

Modele AI pentru generare de imagini, video și text

DeepSeek V3.1 Terminus este un model de text pentru familia Text / LLM, listat pe ModelTrends.ai, un catalog doar pentru citire al modelelor AI open source pentru imagini, video și text. Compară-l cu alte modele Text / LLM și verifică-i scorul de căldură pentru a vedea cât este de popular.

Mai multe modele Text / LLM llm deepseek raționament agenți programare local

Răsfoiește după familia de modele