DeepSeek-V3.1-Terminus ist eine Überarbeitung von DeepSeek-V3.1, die gezielt Rückmeldungen aus der Praxis aufgreift. Das Modell mischt seltener chinesischen und englischen Text und erzeugt seltener fehlerhafte Zeichen. Zugleich hat DeepSeek die Code- und Such-Agenten weiter verbessert, etwa bei BrowseComp von 30,0 auf 38,5 und bei Terminal-bench von 31,3 auf 36,7.
Die Architektur entspricht DeepSeek-V3: ein Mixture-of-Experts-Modell (MoE) aus vielen spezialisierten Teilnetzen, von dessen 671 Milliarden Parametern je verarbeitetem Textbaustein (Token) nur 37 Milliarden aktiv sind. Wie V3.1 arbeitet Terminus wahlweise mit Denkphase oder antwortet direkt und ist damit ein direkter Ersatz für V3.1. Die Gewichte stehen unter der MIT-Lizenz.
DeepSeek-V3.1-Terminus
DeepSeek AI
September 2025
MIT
MoE, Hybrid-Reasoning (Thinking und Non-Thinking), rein textbasiert
671 Mrd. total (37 Mrd. aktiv pro Token)
MoE mit Multi-head Latent Attention (MLA), Architektur wie DeepSeek-V3
61 (3 dichte und 58 MoE-Schichten)
256 Experten, 8 aktiv je Token, 1 geteilter Experte
128.000 Token
Das überarbeitete Modell mit Denkmodus und schnellem Modus, als Gewichte in FP8 wie bei V3.1.
DeepSeek-V3.1 führte die beiden Modi in einem Modell zusammen. Terminus behebt dessen Probleme mit gemischter Sprache und stärkt die Agenten.
Auf Terminus baut DeepSeek-V3.2-Exp auf, das die Sparse Attention einführt. Die finale Version ist DeepSeek-V3.2.
| Benchmark | DeepSeek-V3.1-Terminus | DeepSeek-V3.1 |
|---|---|---|
| MMLU-Pro | 85,0 | 84,8 |
| GPQA-Diamond | 80,7 | 80,1 |
| Humanity’s Last Exam | 21,7 | 15,9 |
| LiveCodeBench | 74,9 | 74,8 |
| Codeforces | 2046 | 2091 |
| Aider-Polyglot | 76,1 | 76,3 |
| BrowseComp | 38,5 | 30,0 |
| BrowseComp-zh | 45,0 | 49,2 |
| SimpleQA | 96,8 | 93,4 |
| SWE Verified | 68,4 | 66,0 |
| SWE-bench Multilingual | 57,8 | 54,5 |
| Terminal-bench | 36,7 | 31,3 |
Quelle: offizielle Model Card zu DeepSeek-V3.1-Terminus (DeepSeek, September 2025). Angaben in Prozent, Codeforces als Rating. Die ersten sechs Tests im Denkmodus ohne Werkzeuge, die übrigen mit Werkzeugen.
Das überarbeitete V3.1 mit stärkeren Agenten unter MIT-Lizenz. Wir prüfen mit Ihnen Nutzen, Auslegung und Betriebskosten.
DeepSeek nennt für Terminus keine eigenen Angaben zu den Trainingsdaten. Das Modell baut auf DeepSeek-V3.1 auf, dessen Basismodell mit zusätzlich rund 840 Milliarden Token auf lange Kontexte erweitert wurde. Terminus ist wiederum der Ausgangspunkt für das Training der Sparse Attention in V3.2-Exp.
DeepSeek-V3.1-Terminus eignet sich für Organisationen, die V3.1 bereits nutzen und verlässlichere Ausgaben wollen. In einer KI-Beratung prüfen wir mit Ihnen, ob ein Wechsel auf V3.2 oder V4 sinnvoller ist.
Stärkere Code-Agenten: SWE-bench Verified steigt von 66,0 auf 68,4, SWE-bench Multilingual von 54,5 auf 57,8.
Einheitlichere Sprache: Weniger gemischter chinesisch-englischer Text als bei V3.1.
Mehr Wissen: HLE steigt von 15,9 auf 21,7, SimpleQA von 93,4 auf 96,8.
Direkter Ersatz für V3.1: Gleiche Architektur und gleiches Gewichtsformat.
Kommerziell frei nutzbar: Die MIT-Lizenz gilt für Code und Gewichte.
Hoher Hardware-Bedarf: Die FP8-Gewichte umfassen rund 690 GB.
Nicht überall besser als V3.1: BrowseComp-zh sinkt von 49,2 auf 45,0, Codeforces von 2091 auf 2046.
Bekannter Formatfehler: Einzelne Parameter entsprechen laut DeepSeek nicht dem UE8M0-Format, das soll erst in späteren Modellen behoben werden.
Nicht mehr über die DeepSeek-API: Die API läuft seit dem Start von V4 im April 2026 auf neueren Modellen, V3.1-Terminus gibt es nur noch zum Selbstbetrieb.
Wir planen die Cluster-Auslegung für DeepSeek-V3.1-Terminus, übernehmen Inbetriebnahme, Quantisierung und Betrieb und hosten das Modell auf Wunsch DSGVO-konform in unserem zertifizierten Rechenzentrum in Limburg an der Lahn.
Terminus mischt seltener Chinesisch und Englisch, erzeugt seltener fehlerhafte Zeichen und ist als Code- und Such-Agent stärker. Architektur und Gewichtsformat bleiben gleich, das Modell ersetzt V3.1 direkt.
DeepSeek veröffentlicht die Gewichte in FP8, zusammen rund 690 GB. Das passt auf einen Server mit acht H200, mit H100 sind zwei Server mit je acht GPUs nötig. Hinzu kommt Reserve für den KV-Cache, den Zwischenspeicher für bereits verarbeitete Teile einer Anfrage.
Im Denkmodus erarbeitet das Modell vor der Antwort Zwischenschritte, das hilft bei Mathematik und komplexen Aufgaben. Im schnellen Modus antwortet es direkt und kann Werkzeuge aufrufen.
Ja. Code und Gewichte stehen unter der MIT-Lizenz. Sie dürfen das Modell kommerziell einsetzen, anpassen und weitergeben.
Ja. Über unsere GPU Cloud stellen wir die nötige Rechenleistung bereit. Alternativ bündelt der MaaS Proxy verschiedene Modelle über eine einheitliche Schnittstelle. Beide Wege betreiben wir DSGVO-konform in Deutschland.
Möchten Sie individuell beraten werden?
Unsere KI-Experten sind für Sie da!
