DeepSeek-V3.1 vereint die Stärken von DeepSeek-V3 und DeepSeek-R1 in einem Modell mit zwei Modi: Im Denkmodus erarbeitet es Zwischenschritte wie R1, im schnellen Modus antwortet es direkt. Laut DeepSeek erreicht der Denkmodus die Qualität von R1-0528, antwortet aber schneller. Zudem ist das Modell deutlich stärker bei Werkzeugnutzung und Agenten-Aufgaben, bei SWE-bench Verified etwa mit 66,0 statt 45,4 bei V3-0324.
Technisch ist V3.1 ein Mixture-of-Experts-Modell (MoE) aus vielen spezialisierten Teilnetzen. Von 671 Milliarden Parametern sind je verarbeitetem Textbaustein (Token) nur 37 Milliarden aktiv. Das Basismodell wurde mit rund 840 Milliarden zusätzlichen Token auf lange Kontexte bis 128.000 Token erweitert. Die Gewichte stehen unter der MIT-Lizenz.
DeepSeek-V3.1 (+ DeepSeek-V3.1-Base)
DeepSeek AI
August 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), FP8-Gewichte im UE8M0-Format
61 (3 dichte und 58 MoE-Schichten)
256 Experten, 8 aktiv je Token, 1 geteilter Experte
128.000 Token
Das Modell mit Denkmodus und schnellem Modus, umschaltbar über das Chat-Template.
Das Basismodell nach der Erweiterung auf lange Kontexte, noch ohne Post-Training. Es eignet sich als Ausgangspunkt für eigenes Feintuning.
DeepSeek-V3 und die DeepSeek-R1 Serie sind die Vorgänger, deren Modi V3.1 vereint. Nachfolger ist DeepSeek-V3.1-Terminus mit einheitlicherer Sprache und stärkeren Agenten.
| Benchmark | DeepSeek-V3.1 (Thinking) | DeepSeek-V3.1 (Non-Thinking) | DeepSeek-R1-0528 | DeepSeek-V3-0324 |
|---|---|---|---|---|
| MMLU-Redux | 93,7 | 91,8 | 93,4 | 90,5 |
| MMLU-Pro | 84,8 | 83,7 | 85,0 | 81,2 |
| GPQA-Diamond | 80,1 | 74,9 | 81,0 | 68,4 |
| LiveCodeBench (2408–2505) | 74,8 | 56,4 | 73,3 | 43,0 |
| Aider-Polyglot | 76,3 | 68,4 | 71,6 | 55,1 |
| AIME 2024 | 93,1 | 66,3 | 91,4 | 59,4 |
| AIME 2025 | 88,4 | 49,8 | 87,5 | 51,3 |
| HMMT 2025 | 84,2 | 33,5 | 79,4 | 29,2 |
Quelle: offizielle Model Card zu DeepSeek-V3.1 (DeepSeek, August 2025). Angaben in Prozent. Als Code-Agent ohne Denkmodus erreicht V3.1 bei SWE-bench Verified 66,0 (V3-0324: 45,4, R1-0528: 44,6) und bei Terminal-bench 31,3.
Denkmodus und schnelle Antworten in einem Modell unter MIT-Lizenz. Wir prüfen mit Ihnen Nutzen, Auslegung und Betriebskosten.
V3.1 baut auf dem Basismodell von V3 auf, das in zwei Phasen auf lange Kontexte erweitert wurde. Die Phase für 32.000 Token wuchs um das Zehnfache auf 630 Milliarden Token, die Phase für 128.000 Token um das 3,3-Fache auf 209 Milliarden Token.
Trainiert wurde mit dem Zahlenformat UE8M0-FP8 für Gewichte und Aktivierungen, das mit modernen Microscaling-Formaten kompatibel ist. Im Post-Training hat DeepSeek vor allem Werkzeugnutzung und mehrstufige Agenten-Aufgaben verbessert.
DeepSeek-V3.1 eignet sich für Organisationen, die schnelle Antworten und gründliches Reasoning mit einem Modell abdecken wollen. In einer KI-Beratung prüfen wir mit Ihnen, ob ein neueres DeepSeek-Modell besser passt.
Zwei Modi in einem Modell: Ein Deployment für schnelle Antworten und gründliches Schlussfolgern.
Deutlich stärkere Agenten: SWE-bench Verified steigt gegenüber V3-0324 von 45,4 auf 66,0, Terminal-bench von 13,3 auf 31,3.
Stark in Mathematik: Im Denkmodus 93,1 bei AIME 2024, vor R1-0528 (91,4).
Schnelleres Denken: Laut DeepSeek Qualität wie R1-0528 bei kürzerer Antwortzeit.
Kommerziell frei nutzbar: Die MIT-Lizenz gilt für Code und Gewichte.
Hoher Hardware-Bedarf: Die FP8-Gewichte umfassen rund 690 GB.
Werkzeuge nur ohne Denkmodus: Function Calling funktioniert nur im schnellen Modus.
Sprachmischung: Gelegentlich gemischter chinesisch-englischer Text und fehlerhafte Zeichen, verbessert in DeepSeek-V3.1-Terminus.
Nicht mehr über die DeepSeek-API: Die API läuft seit dem Start von V4 im April 2026 auf neueren Modellen, V3.1 gibt es nur noch zum Selbstbetrieb.
Wir planen die Cluster-Auslegung für DeepSeek-V3.1, übernehmen Inbetriebnahme, Quantisierung und Betrieb und hosten das Modell auf Wunsch DSGVO-konform in unserem zertifizierten Rechenzentrum in Limburg an der Lahn.
Über das Chat-Template legen Sie fest, ob das Modell vor der Antwort Zwischenschritte erarbeitet oder direkt antwortet. So deckt ein einziges Deployment sowohl schnelle Assistenz als auch anspruchsvolles Reasoning ab.
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.
V3.1 erreicht im Denkmodus laut DeepSeek die Qualität von R1-0528, antwortet aber schneller und ist deutlich stärker als Agent. Zudem bietet es einen schnellen Modus ohne Denkphase. Mehr zu R1 lesen Sie auf unserer Seite zur DeepSeek-R1 Serie.
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!
