Весовые коэффициенты открыты, могу ли я запустить модель локально?

Да — DeepSeek-V3.1-Terminus выпущена под лицензией MIT, веса доступны на Hugging Face по адресу deepseek-ai/DeepSeek-V3.1-Terminus. Структура модели совпадает с DeepSeek-V3, поэтому применимы те же инструменты локального вывода, хотя модель большая и требует мощного оборудования.

Сколько стоит и какой размер контекста?

Через API цена $0.27 за миллион входных токенов и $1.00 за миллион выходных токенов, с контекстным окном 163,840 токенов.

Чем Terminus отличается от DeepSeek V3.1?

Terminus — патч-релиз, а не новая модель — он решает две конкретные проблемы: языковую консистентность (меньше смешанного китайско-английского вывода) и производительность агентов (Code Agent и Search Agent). Большинство бенчмарков близки к V3.1, но агентные задачи показывают заметный прогресс.

DeepSeek V3.1 Terminus

1961°

#llm #deepseek #логика #агенты #программирование #локально

Запустить модель

Предложения / Реклама

OpenRouter Терминал / API

Плата за токен

Общайся с этой моделью в браузере или вызывай её из кода с одним API-ключом.

DeepSeek | контекст 163 840 токенов | $0.27/млн входных, $1.00/млн выходных. DeepSeek-V3.1 Terminus — обновление [DeepSeek V3.1](/deepseek/deepseek-chat-v3.1), сохраняющее исходные возможности модели и устраняющее проблемы, о которых сообщали пользователи, включая языковую согласованность и агентские возможности, а также дополнительно оптимизирующее модель...

Руководства по этой модели

Лучшие локальные LLM по задачам (октябрь 2026): подходящая открытая модель для каждой работы

Сколько VRAM мне действительно нужно для локального ИИ?

Открытые веса, открытый исходный код и только API: что тебе действительно разрешено делать

Что такое файл GGUF? Объяснение квантизированных моделей (Q4, Q8, fp8, NF4)

Все руководства

Заметки капитана

Написано Captain, главным редактором

Заметки от 2026-10-13

DeepSeek-V3.1-Terminus — целевое обновление DeepSeek V3.1 от DeepSeek, исправляющее две конкретные проблемы: смешанный языковой вывод и слабую производительность агентов. Улучшения в бенчмарках скромные для большинства задач, но значимые для агентных — SWE-bench, BrowseComp и Terminal-bench показывают рост. Подходит разработчикам, создающим кодовых или поисковых агентов, которые уже использовали V3.1 и столкнулись с этими проблемами.

Известен

Улучшенная производительность Code Agent и Search Agent по сравнению с V3.1
Сниженный смешанный китайско-английский вывод и посторонние символы
Хорошие результаты в SWE-bench: 68.4% подтверждённых, 57.8% многоязычных
Лицензия MIT — веса открыты и бесплатны для коммерческого использования
Контекстное окно 163,840 токенов при цене значительно ниже $1.50 за миллион токенов

Остерегайтесь

Известна проблема с форматом данных FP8 scale в self_attn.o_proj; DeepSeek обещает исправление.
Это крупная модель — локальный запуск требует серьёзного оборудования; перед загрузкой проверьте требования к VRAM.
Рейтинг Codeforces немного снизился по сравнению с V3.1, поэтому пользователи, ориентированные на соревновательное программирование, могут не увидеть улучшений.

Лучше всего подходит для

Агенты и использование инструментов

Программирование

Логика

Работает локально

Подсказки для проб

Агент для задач в терминале

У вас есть доступ к терминалу. Проект на Python в /app не проходит тесты. Запустите тесты, прочитайте вывод, определите корень проблемы, исправьте соответствующий файл и снова запустите тесты для подтверждения исправления. Показывайте каждую команду и объясняйте логику между шагами.

Рефакторинг с несколькими файлами

У меня есть Flask-приложение, где вызовы к базе данных разбросаны по обработчикам маршрутов. Рефакторьте так, чтобы весь доступ к БД проходил через единый слой репозитория. Покажите новую структуру файлов, модуль репозитория и два примера обработчиков маршрутов, переписанных для его использования. Сохраните существующее поведение.

Сложная логическая задача

Пять инженеров владеют разными языками программирования, пьют разные напитки и сидят за пятью столами в ряд. Инженер Rust сидит рядом с пьющим чай. Инженер Python — на одном конце. Пьющий кофе сидит в двух местах от инженера Go. Инженер TypeScript пьёт воду. Кто пьёт эспрессо и на каком языке программирует? Покажите рассуждения.

Сравнить с

DeepSeek V4.1 Flash
Модель с открытыми весами
контекст из 1,048,576 токенов · $0.04/M вход, $0.68/M выход
DeepSeek V4 Flash 0731
Модель с открытыми весами
контекст из 1,048,576 токенов · $0.01/M вход, $1.28/M выход
DeepSeek V4 Flash 0423
Модель с открытыми весами
контекст из 1,048,576 токенов · $0.09/M вход, $0.18/M выход
DeepSeek V4 Pro 0813
Модель с открытыми весами
контекст из 1,048,576 токенов · $1.32/M вход, $3.96/M выход

Больше текстовых моделей от deepseek

Часто задаваемые вопросы

Весовые коэффициенты открыты, могу ли я запустить модель локально?: Да — DeepSeek-V3.1-Terminus выпущена под лицензией MIT, веса доступны на Hugging Face по адресу deepseek-ai/DeepSeek-V3.1-Terminus. Структура модели совпадает с DeepSeek-V3, поэтому применимы те же инструменты локального вывода, хотя модель большая и требует мощного оборудования.
Сколько стоит и какой размер контекста?: Через API цена $0.27 за миллион входных токенов и $1.00 за миллион выходных токенов, с контекстным окном 163,840 токенов.
Чем Terminus отличается от DeepSeek V3.1?: Terminus — патч-релиз, а не новая модель — он решает две конкретные проблемы: языковую консистентность (меньше смешанного китайско-английского вывода) и производительность агентов (Code Agent и Search Agent). Большинство бенчмарков близки к V3.1, но агентные задачи показывают заметный прогресс.

Вердикт капитана
Разумное обновление для пользователей V3.1, столкнувшихся с проблемами смешения языков или нуждающихся в более надёжных агентах — не повод менять модель, если эти проблемы не актуальны.

Карточка модели на Hugging Face

Капитан пишет эти заметки на основе описания модели и карточки модели. Цены и размеры контекста указаны на момент написания и могут измениться.

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

Как складывается этот рейтинг

У этой модели пока нет данных о популярности ни из одного источника, поэтому ей присвоено временное число ниже 7,000°, чтобы списки оставались полными. Она никогда не будет выше модели с реальными данными. Разбор появится здесь, как только источник предоставит данные.

Глоссарий: используемые здесь термины

Показатель heat: Одно число, показывающее, насколько модель сейчас используется и востребована, от 0° до 9,999°. Все списки на сайте с пометкой hottest сортируются именно по нему.
Минимум: 7,000° — стартовая точка для каждой модели с реальными данными. Шкала от 0° до 9,999°; часть ниже минимума отведена для моделей без данных, чтобы модели с данными всегда были выше. Минимум одинаков для всех и ничего не решает; градусы выше него — это измерение.
Эквиваленты загрузок: Всё, что считается как загрузка в оценке, сложенное вместе: сами загрузки, каждый сид торрента считается за 1,000, каждое изображение AI Horde и каждый запуск на сайте генерации считаются за один.
Логарифмическая шкала: Счёт по десяткам, а не по единицам: переход от 1,000 к 10,000 загрузок добавляет столько же градусов, сколько от 10,000 к 100,000. Это не даёт гигантам заглушать всё остальное.
Лайки: Одобрения и лайки со всех источников, каждый стоит половину загрузки на логарифмической шкале.
Темп внедрения: Сколько загрузок в день получает модель сейчас, по разнице между двумя замерами источника. Четверть веса от термина загрузки.
Измерено и оценено: Измерено значит, что есть два показания источника, и разница реальна. Оценено значит, что известна только сегодняшняя сумма, а прошлое распределено по жизни модели; сайт показывает, что именно отображается.
Сидер: Кто-то, кто хранит копию весов онлайн, чтобы другие могли скачать через торрент, или размещённое зеркало, делающие то же самое. Каждый такой считается за 1000 загрузок.
AI Horde: Волонтёрская сеть, которая бесплатно генерирует изображения на пожертвованных компьютерах. Количество изображений, созданных с моделью, публично, и каждое считается за одну загрузку.
Сайты генерации: Сайты, которые хранят свои копии модели и позволяют людям генерировать с ней, например PixAI, SeaArt и Yodayo. Их загрузки считаются как у Civitai, и каждый запуск генерации — за одну загрузку.
Токены OpenRouter: Текстовая модель, обслуживаемая через API, такая как Claude или GPT, не имеет весов для скачивания, поэтому её использование измеряется токенами: кусочками текста, которые она прочитала и написала через OpenRouter, шлюз, который используют многие приложения, за последние 30 дней. Каждые 10,000,000 токенов считаются за одно скачивание. Источник: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Полная модель (чекпоинт): Сами веса, файл, который генерирует самостоятельно. Получает бонус, потому что от него зависят дополнения.
LoRA и эмбеддинг: Небольшие файлы-дополнения, которые направляют чужие веса в сторону стиля, персонажа или концепции. Они не могут работать сами по себе.
Семейство и веса: База, на которой построена модель, например SD 1.5, SDXL, Flux или Wan. Каждая модель наследует дату выпуска весов своего семейства.
Возраст: Градусы снимаются за то, как давно вышли веса семейства: 150° в год, максимум 750°. Старые загрузки, которые успели накопиться за годы, остаются вверху списка.
Буст семейства: Небольшой ограниченный толчок для LoRA из семейства, которое этот сайт сейчас продвигает, всегда указан в разбивке.
Оценка-замена: Стабильное число ниже минимального, даваемое модели, о которой ещё нет данных, чтобы списки были полными. Никогда не выше модели с данными.
Новинка! (период ожидания): Модель младше 7 дней показывает Новинка! вместо оценки и не занимает место в рейтинге. Её оценка вычисляется с первого дня, но модель в один день растёт быстрее всего, поэтому без ожидания #1 недели всегда была бы модель, вышедшая вчера, а не та, что держалась неделю.
Тренд: Как рост модели за период сравнивается с типичным ростом модели за тот же период. Быстрее типичного — рост, медленнее — падение.
Типичная модель: Средина каталога: половина моделей с цифрой росли быстрее за период, половина медленнее.

ИИ-модели для генерации изображений, видео и текста

DeepSeek V3.1 Terminus — это текстовая модель для семейства Text / LLM, представленная на ModelTrends.ai, каталоге открытых ИИ-моделей для изображений, видео и текста, доступном только для чтения. Сравните её с другими моделями Text / LLM и посмотрите индекс популярности, чтобы оценить тренд.

Другие модели Text / LLM Другие Текст / LLM Text / LLM llm deepseek логика агенты программирование локально

Обзор по семействам моделей