Är DeepSeek V3:s vikter öppna och kan jag köra den lokalt?

Ja, vikterna är offentligt tillgängliga på Hugging Face under deepseek-ai/DeepSeek-V3-repot. Observera att hela modellen är 685 miljarder parametrar, så lokal körning kräver betydande GPU-infrastruktur.

Vad kostar DeepSeek V3 och hur stort är kontextfönstret?

Via API kostar den 0,32 USD per miljon inmatningstoken och 0,89 USD per miljon utmatningstoken, med ett kontextfönster på 163 840 token.

Hur skiljer sig DeepSeek V3 från DeepSeek R1?

V3 är en allmän instruktionsföljande modell; R1 är DeepSeeks dedikerade resonemangsmodell som använder långa chain-of-thought. V3 fick några av R1:s resonemangsmönster destillerade under efterträning, vilket ger starkare resonemang än tidigare V-seriemodeller utan R1:s utförliga CoT-utdata.

DeepSeek V3

3886°

#llm #deepseek #kodning #resonemang #skrivande #lokal

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

DeepSeek | 163,840 token context | $0.26/M input, $1.03/M output. DeepSeek-V3 is the latest model from the DeepSeek team, building upon the instruction following and coding abilities of the previous versions. Pre-trained on nearly 15 trillion tokens, the reported evaluations reveal that the model outperforms other open-source models and rivals leading closed-source models. For model details, please visit the DeepSeek-V3 repoOpens in new tab for more information, or see the launch announcementOpens in new tab.

Guider för denna modell

De 10 billigaste ChatGPT-alternativen 2026: gratis lokala modeller, gratisnivåer och fastprisplaner

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

DeepSeek V3 är en 671 miljarder parameter Mixture-of-Experts-modell från DeepSeek, med endast 37 miljarder aktiva parametrar per token, vilket gör den mycket billigare att köra än dess totala storlek antyder. Den tränades på 14,8 biljoner token och hade resonemangsmönster destillerade från DeepSeek R1, vilket lyfte dess prestanda märkbart över de flesta öppna viktskonkurrenter. Med under en dollar per miljon utmatningstoken via API passar den utvecklare och forskare som vill ha output i framkant utan framkantens kostnader.

Känd för

Stark kodning och instruktionstrogenhet, förfinad över flera DeepSeek-generationer
Resonemangsförmåga förbättrad genom destillering från DeepSeek R1:s chain-of-thought
671 miljarder totala parametrar, endast 37 miljarder aktiva per token via MoE-arkitektur
Öppna vikter tillgängliga på Hugging Face för egen hosting
Ovanligt lågt API-pris för en modell på denna prestandanivå

Se upp för

685 miljarder vikter på Hugging Face: egen hosting kräver seriös hårdvara, inte en konsument-GPU.
DeepSeek har inte publicerat en standard öppen källkodslicens; kontrollera repo-villkoren innan kommersiell användning.
Kontextfönster via API är 163 840 token; modellkortet listar 128K för nedladdade vikter.

Bäst för

Promptar att prova

Refaktorera en rörig funktion

Här är en Python-funktion som fungerar men är svår att läsa och saknar felhantering. Refaktorera den för tydlighet, lägg till typangivelser, hantera uppenbara fel och förklara varje ändring du gjorde. def proc(d, k, v): d[k] = v return d[k] * 2 if d[k] > 10 else d[k]

Resonera genom ett logikpussel

Fem personer äger varsin unik husdjur och dricker varsin unik dryck. Alice äger inte katten. Personen som dricker te äger hunden. Bob dricker kaffe. Carol äger fisken. Personen som dricker vatten sitter bredvid personen som äger ormen. Dave dricker juice. Vem äger ormen och hur kom du fram till det?

Kritik av ett tekniskt argument

En kollega hävdar: 'Vi bör alltid använda en NoSQL-databas för nya projekt eftersom SQL-databaser inte skalar.' Skriv en strukturerad kritik av detta påstående. Identifiera vad som är korrekt, vad som är fel, vilken kontext som saknas och vilka frågor du skulle ställa innan du väljer databas.

Jämför med

DeepSeek V4.1 Flash
Öppen vikt-modell
1,048,576 tokens kontext · $0.04/M indata, $0.68/M utdata
DeepSeek V4 Flash 0731
Öppen vikt-modell
1,048,576 tokens kontext · $0.01/M indata, $1.28/M utdata
DeepSeek V4 Flash 0423
Öppen vikt-modell
1,048,576 tokens kontext · $0.09/M indata, $0.18/M utdata
DeepSeek V4 Pro 0813
Öppen vikt-modell
1,048,576 tokens kontext · $1.32/M indata, $3.96/M utdata

Fler textmodeller från deepseek

Vanliga frågor

Är DeepSeek V3:s vikter öppna och kan jag köra den lokalt?: Ja, vikterna är offentligt tillgängliga på Hugging Face under deepseek-ai/DeepSeek-V3-repot. Observera att hela modellen är 685 miljarder parametrar, så lokal körning kräver betydande GPU-infrastruktur.
Vad kostar DeepSeek V3 och hur stort är kontextfönstret?: Via API kostar den 0,32 USD per miljon inmatningstoken och 0,89 USD per miljon utmatningstoken, med ett kontextfönster på 163 840 token.
Hur skiljer sig DeepSeek V3 från DeepSeek R1?: V3 är en allmän instruktionsföljande modell; R1 är DeepSeeks dedikerade resonemangsmodell som använder långa chain-of-thought. V3 fick några av R1:s resonemangsmönster destillerade under efterträning, vilket ger starkare resonemang än tidigare V-seriemodeller utan R1:s utförliga CoT-utdata.

Kaptens omdöme
Det mest kostnadseffektiva sättet att få nästan framkantstextkvalitet idag, förutsatt att du kan acceptera DeepSeeks licensvillkor.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

AI-modeller för bild-, video- och textgenerering

DeepSeek V3 är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm deepseek kodning resonemang skrivande lokal budget

Bläddra efter modellfamilj