Kan jag köra DeepSeek V3.1 lokalt?

Vikterna är öppna och finns på Hugging Face, så ja — men modellen är totalt 671B parametrar, vilket kräver rejäl hårdvara för att köra i full precision; de flesta använder en kvantiserad version eller API.

Vad kostar DeepSeek V3.1 och hur stort är kontextfönstret?

Via API kostar det 0,25 USD per miljon inmatningstoken och 0,95 USD per miljon utmatningstoken, med ett kontextfönster på 163 840 tokens.

Hur skiljer sig V3.1 från DeepSeek V3 och DeepSeek R1?

V3.1 lägger till ett hybridtänkandeläge (så en modell täcker både snabb chatt och steg-för-steg-resonemang), förbättrar verktygsanrop och agentuppgifter, och utökar kontexten till 128K genom ytterligare långkontextträning; i tänkandeläge når den kvalitet jämförbar med R1 samtidigt som den är snabbare.

DeepSeek V3.1

4967°

#llm #deepseek #resonemang #kodning #agenter #lång kontext

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 | $0.25/M input, $0.95/M output. DeepSeek-V3.1 är en stor hybridresonansmodell (671B parametrar, 37B aktiva) som stödjer både tänkande och icke-tänkande lägen via promptmallar. Den bygger vidare på DeepSeek-V3 basen med en tvåfasig långkontextträning som når upp till 128K tokens och använder FP8 mikroskalning för effektiv inferens. Användare kan styra resonemangsbeteendet med reasoning enabled boolean. Läs mer i vår dokumentation. Modellen förbättrar verktygsanvändning, kodgenerering och resonemangseffektivitet, och uppnår prestanda jämförbar med DeepSeek-R1…DeepSeek | 163,840 token context | $0.25/M input, $0.95/M output. DeepSeek-V3.1 är en stor hybridresonansmodell (671B parametrar, 37B aktiva) som stödjer både tänkande och icke-tänkande lägen via promptmallar. Den bygger vidare på DeepSeek-V3 basen med en tvåfasig långkontextträning som når upp till 128K tokens och använder FP8 mikroskalning för effektiv inferens. Användare kan styra resonemangsbeteendet med reasoning enabled boolean. Läs mer i vår dokumentation. Modellen förbättrar verktygsanvändning, kodgenerering och resonemangseffektivitet, och uppnår prestanda jämförbar med DeepSeek-R1 på svåra benchmarkar samtidigt som den svarar snabbare. Den stödjer strukturerad verktygsanrop, kodagenter och sökagenter, vilket gör den lämplig för forskning, kodning och agentbaserade arbetsflöden. Den efterträder DeepSeek V3-0324-modellen och presterar väl på en mängd olika uppgifter.

Guider för denna modell

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 V3.1 är en 671B mixture-of-experts-modell från DeepSeek som kör 37B parametrar vid inferens och stödjer både tänkande och icke-tänkande lägen i samma viktuppsättning. Dess tänkandeläge når kvalitet jämförbar med DeepSeek R1 samtidigt som den svarar snabbare, och dess verktygsanrop och agentfunktioner har förbättrats avsevärt jämfört med V3. Med en kostnad under en dollar per miljon utmatningstoken är den ett seriöst alternativ för alla som kör agentbaserade eller långa dokumentpipelines på budget.

Känd för

Hybridläge för tänkande/icke-tänkande som kan växlas via chattmall, ingen separat modell behövs.
Verktygsanrop och agentarbetsflöden avsevärt förbättrade jämfört med DeepSeek V3.
128K kontextfönster byggt genom en tvåfasig långkontextträning.
Tänkandelägets kvalitet jämförbar med DeepSeek R1, med snabbare svarstider.
Öppna vikter tillgängliga på Hugging Face; FP8-mikroskalning för effektiv inferens.

Se upp för

671B totala parametrar kräver seriös hårdvara för lokal körning; de flesta användare kommer att använda API.
Verktygsanrop stöds endast i icke-tänkandeläge — du kan inte kombinera strukturerad verktygsanvändning med resonemangsläge.
Chattmallen ändrades från V3; befintliga prompts och integrationer kan behöva uppdateras.

Bäst för

Kodning

Agenter och verktygsanvändning

Resonemang

Lång kontext

Budget

Promptar att prova

Flerstegs kodagent

Du har tillgång till en Python-tolk. Skriv ett skript som hämtar de senaste valutakurserna för USD, EUR och GBP från ett offentligt API, beräknar korskurserna för alla tre par och skriver ut en formaterad tabell. Använd verktygsanrop för att köra varje steg, kontrollera resultatet och rätta eventuella fel innan slutresultatet returneras.

Svårt resonemangspussel

Fem ingenjörer börjar på ett projekt olika dagar: måndag till fredag. Alice började före Bob. Carol började dagen efter Dave. Eve började på onsdag. Bob började inte på torsdag. Dave började tidigare i veckan än Carol men senare än Eve. Lista varje ingenjörs startdag och visa din resonemang steg för steg.

Extrahering från långt dokument

Jag klistrar in ett långt kontrakt nedan. Läs det noggrant och producera: (1) en enkel sammanfattning i ett stycke av huvudskyldigheterna för varje part, (2) en punktlista över alla deadlines eller uppsägningstider som nämns, och (3) eventuella klausuler som kan skapa oväntat ansvar för köparen. Markera allt som är oklart. [Klistra in kontraktstext här]

Jämför med

DeepSeek Flash Latest
Endast API-modell
1,048,576 tokens kontext · $0.04/M indata, $0.68/M utdata
DeepSeek V4 Flash Latest
Endast API-modell
1,048,576 tokens kontext · $0.01/M indata, $1.28/M utdata
DeepSeek Pro Latest
Endast API-modell
1,048,576 tokens kontext · $0.25/M indata, $5.00/M utdata
DeepSeek V4.1 Flash
Öppen vikt-modell
1,048,576 tokens kontext · $0.04/M indata, $0.68/M utdata

Fler textmodeller från deepseek

Vanliga frågor

Kan jag köra DeepSeek V3.1 lokalt?: Vikterna är öppna och finns på Hugging Face, så ja — men modellen är totalt 671B parametrar, vilket kräver rejäl hårdvara för att köra i full precision; de flesta använder en kvantiserad version eller API.
Vad kostar DeepSeek V3.1 och hur stort är kontextfönstret?: Via API kostar det 0,25 USD per miljon inmatningstoken och 0,95 USD per miljon utmatningstoken, med ett kontextfönster på 163 840 tokens.
Hur skiljer sig V3.1 från DeepSeek V3 och DeepSeek R1?: V3.1 lägger till ett hybridtänkandeläge (så en modell täcker både snabb chatt och steg-för-steg-resonemang), förbättrar verktygsanrop och agentuppgifter, och utökar kontexten till 128K genom ytterligare långkontextträning; i tänkandeläge når den kvalitet jämförbar med R1 samtidigt som den är snabbare.

Kaptens omdöme
En ovanlig modell som förtjänar sin plats både på budgetlistan och agentarbetsflödeslistan — hybridtänkandeläget är genuint användbart och inte bara en marknadsföringsruta.

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

Llama 3.1 Nemotron 70B Instruct

AI-modeller för bild-, video- och textgenerering

DeepSeek V3.1 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 resonemang kodning agenter lång kontext budget

Bläddra efter modellfamilj