DeepSeek V3.1 Terminus
1961°
Ejecutar este modelo
Ofertas / Anuncios
DeepSeek | contexto de 163,840 tokens | $0.27/M entrada, $1.00/M salida. DeepSeek-V3.1 Terminus es una actualización de [DeepSeek V3.1](/deepseek/deepseek-chat-v3.1) que mantiene las capacidades originales del modelo mientras aborda problemas reportados por usuarios, incluyendo consistencia del lenguaje y capacidades de agente, optimizando aún más el modelo...
Guías para este modelo
Mejor LLM local según el uso (octubre 2026): el modelo abierto adecuado para cada tarea
¿Cuánta VRAM necesito realmente para IA local?
Pesos abiertos vs código abierto vs solo API: lo que realmente puedes hacer
¿Qué es un archivo GGUF? Modelos cuantizados explicados (Q4, Q8, fp8, NF4)
Notas del capitán
Notas del 2026-10-13
DeepSeek-V3.1-Terminus es una actualización dirigida a DeepSeek V3.1 de DeepSeek, que corrige dos quejas específicas: salida en idiomas mezclados y bajo rendimiento en agentes. Las mejoras en benchmarks son modestas en la mayoría de tareas pero significativas en las de agente — SWE-bench, BrowseComp y Terminal-bench suben. Es adecuado para desarrolladores que construyen agentes de código o búsqueda y ya usaban V3.1 y encontraron esos problemas.
Conocido por
- Mejor rendimiento en agentes de código y búsqueda respecto a V3.1
- Menor salida mixta chino-inglés y menos caracteres errantes
- Buenas puntuaciones en SWE-bench: 68.4% verificado, 57.8% multilingüe
- Licencia MIT — pesos abiertos y libres para uso comercial
- Ventana de contexto de 163,840 tokens a menos de $1.50/M combinado
Cuidado con
- Existe un problema conocido con el formato de datos FP8 scale en self_attn.o_proj; DeepSeek dice que llegará una solución.
- Es un modelo grande — ejecutarlo localmente requiere hardware serio; verifica requisitos de VRAM antes de descargar.
- La puntuación en Codeforces baja ligeramente respecto a V3.1, por lo que usuarios de codificación competitiva pura pueden no ver mejora.
Prompts para probar
Agente de tareas en terminal
Tienes acceso a un terminal. Un proyecto Python en /app falla en su suite de pruebas. Ejecuta las pruebas, lee la salida, identifica la causa raíz, corrige el archivo relevante y vuelve a ejecutar las pruebas para confirmar la solución. Muestra cada comando que ejecutas y explica tu razonamiento entre pasos.
Refactorización multiarchivo
Tengo una app Flask donde las llamadas a base de datos están dispersas en los manejadores de rutas. Refactorízala para que todo acceso a BD pase por una única capa de repositorio. Muestra la nueva estructura de archivos, el módulo repositorio y dos manejadores de ruta reescritos para usarlo. Mantén el comportamiento existente.
Acertijo de razonamiento difícil
Cinco ingenieros tienen cada uno un lenguaje de programación diferente, una bebida distinta y se sientan en fila en cinco escritorios. El ingeniero de Rust está junto al que toma té. El de Python está en un extremo. El que toma café está a dos asientos del de Go. El de TypeScript toma agua. ¿Quién toma espresso y qué lenguaje usa? Muestra tu razonamiento.
Comparar con
- DeepSeek V4.1 FlashModelo con pesos abiertosContexto de 1,048,576 tokens · $0.04/M entrada, $0.68/M salida
- DeepSeek V4 Flash 0731Modelo con pesos abiertosContexto de 1,048,576 tokens · $0.01/M entrada, $1.28/M salida
- DeepSeek V4 Flash 0423Modelo con pesos abiertosContexto de 1,048,576 tokens · $0.09/M entrada, $0.18/M salida
- DeepSeek V4 Pro 0813Modelo con pesos abiertosContexto de 1,048,576 tokens · $1.32/M entrada, $3.96/M salida
Más modelos de texto de deepseek
Preguntas frecuentes
- ¿Los pesos son abiertos y puedo ejecutar esto localmente?
- Sí — DeepSeek-V3.1-Terminus se libera bajo licencia MIT y los pesos están en Hugging Face en deepseek-ai/DeepSeek-V3.1-Terminus. La estructura del modelo es igual a DeepSeek-V3, por lo que aplica la misma herramienta local de inferencia, aunque es grande y requiere hardware sustancial.
- ¿Cuánto cuesta y cuál es la ventana de contexto?
- Vía API cuesta $0.27 por millón de tokens de entrada y $1.00 por millón de tokens de salida, con una ventana de contexto de 163,840 tokens.
- ¿En qué se diferencia Terminus de DeepSeek V3.1?
- Terminus es una versión parche, no un modelo nuevo — apunta a dos debilidades específicas: consistencia de idioma (menos salida mixta chino-inglés) y rendimiento en agentes (Code Agent y Search Agent). La mayoría de puntuaciones están a un punto de V3.1, pero tareas agente como SWE-bench y Terminal-bench muestran las mejoras más claras.
Veredicto del capitánUn parche sensato para usuarios de V3.1 que encontraron errores de mezcla de idiomas o necesitaban mejor fiabilidad en agentes — no es motivo para cambiar si no los tenías.
Ficha del modelo en Hugging Face
El capitán escribe estas notas a partir de la descripción y ficha del modelo. Los precios y tamaños de contexto son los del proveedor al momento de escribir y pueden cambiar.
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.
Cómo se suma esta puntuación
Este modelo aún no tiene datos de popularidad de ninguna fuente, así que lleva un número provisional por debajo de 7,000° que mantiene las listas completas. Nunca se posiciona por encima de un modelo con datos. El desglose aparece aquí tan pronto como una fuente lo reporte.
Glosario: los términos usados aquí
- Puntuación heat
- Un número que muestra cuánto se usa y quiere un modelo ahora mismo, de 0° a 9,999°. Cada lista en este sitio que dice más popular está ordenada por esto y nada más.
- Piso
- Los 7,000° con los que empieza todo modelo con datos reales. La escala va de 0° a 9,999°; la parte bajo el piso está reservada para sustitutos (modelos sin datos), para que un modelo con datos siempre esté por encima de uno sin. El piso es igual para todos y no decide nada; los grados sobre él son la medida.
- Equivalentes a descargas
- Todo lo que la puntuación trata como una descarga, sumado: las descargas mismas, cada seeder de torrent como 1,000, cada imagen de AI Horde y cada ejecución en un sitio de generación como uno.
- Escala logarítmica
- Cuenta de a decenas, no de a uno: pasar de 1,000 a 10,000 descargas suma los mismos grados que pasar de 10,000 a 100,000. Evita que los gigantes opaquen todo lo demás.
- Likes
- Pulgares arriba y likes de todas las fuentes, valen la mitad de una descarga cada uno en la escala logarítmica.
- Tasa de adopción
- Cuántas descargas al día recibe un modelo ahora mismo, según la diferencia entre dos lecturas de una fuente. Un cuarto del peso del término de descarga.
- Medido y estimado
- Medido significa que hay dos lecturas de una fuente y la diferencia es real. Estimado significa que solo se conoce el total de hoy y el pasado se distribuye a lo largo de la vida del modelo; el sitio indica cuál está mostrando.
- Seeder
- Alguien que mantiene una copia de los pesos en línea para que otros la descarguen por torrent, o un espejo alojado que hace lo mismo. Cada uno cuenta como 1,000 descargas.
- AI Horde
- Una red de voluntarios que genera imágenes gratis en computadoras donadas. El número de imágenes que ha hecho con un modelo es público, y cada una cuenta como una descarga.
- Sitios de generación
- Sitios que alojan sus propias copias de un modelo y permiten que la gente genere con él, como PixAI, SeaArt y Yodayo. Sus descargas cuentan igual que las de Civitai y cada generación cuenta como una descarga.
- Tokens de OpenRouter
- Un modelo de texto servido mediante una API, como Claude o GPT, no tiene pesos para descargar, por lo que su uso se mide en tokens: fragmentos de texto que leyó y escribió a través de OpenRouter, una puerta de acceso que usan muchas apps, durante los últimos 30 días. Cada 10,000,000 tokens cuentan como una descarga. Fuente: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Modelo completo (checkpoint)
- Los pesos en sí, el archivo que genera por sí solo. Tiene un bono porque los complementos dependen de él.
- LoRA y embedding
- Archivos pequeños que dirigen los pesos de otro hacia un estilo, personaje o concepto. No pueden funcionar solos.
- Familia y pesos
- La base sobre la que se construye un modelo, como SD 1.5, SDXL, Flux o Wan. Cada modelo hereda la fecha de lanzamiento de los pesos de su familia.
- Antigüedad
- Grados descontados según hace cuánto salieron los pesos de la familia: 150° por año, hasta 750°. Mantiene las descargas antiguas que tuvieron años para acumularse congelando la cima de la lista.
- Impulso de familia
- Un pequeño empujón limitado para LoRAs de una familia que este sitio está promoviendo ahora, siempre listado en el desglose.
- Puntaje provisional
- Un número estable por debajo del mínimo dado a un modelo que aún no tiene reportes de fuentes, para que las listas estén completas. Nunca se posiciona por encima de un modelo con datos.
- ¡Nuevo! (periodo de gracia)
- Un modelo con menos de 7 días muestra ¡Nuevo! en lugar de una puntuación y no ocupa lugar en los rankings. Su puntuación se calcula desde el primer día, pero un modelo de un día crece más rápido que cualquier otro, así que sin este periodo el #1 de la semana siempre sería el que salió ayer en vez del que se mantuvo una semana.
- Tendencia
- Cómo el crecimiento de un modelo en un período se compara con el crecimiento típico de modelos en ese mismo período. Más rápido que lo típico se lee como subida, más lento como bajada.
- Modelo típico
- El punto medio del catálogo: la mitad de los modelos con cifras crecieron más rápido en el período, la otra mitad más lento.
DeepSeek V3.1 Terminus es un modelo de texto para la familia Text / LLM listado en ModelTrends.ai, un catálogo de solo lectura de modelos de IA de imagen, vídeo y texto de código abierto. Compáralo con otros modelos Text / LLM y consulta su puntuación de calor para ver su tendencia.
Explorar por familia de modelos
Modelos Text / LLM
434
Modelos Anima
528
Modelos Chroma
19
Modelos Fibo
2
Modelos Flux
1,496
Modelos Flux 2 / Klein
1,239
Modelos Flux 3
3
Modelos Moss
3
Modelos Iris
1
Modelos MiniMax H3
364
Modelos Hunyuan
204
Modelos Ideogram
20
Modelos Krea2
717
Modelos Qwen
20
Modelos Qwen2
47
Modelos Ltx2
153