DeepSeek V3.1 Terminus

# 一、简介与定位

DeepSeek V3.1 Terminus是中国DeepSeek团队于2025年9月22日发布的开源旗舰级大模型，是DeepSeek V3.1基础版的优化迭代版本，聚焦核心痛点修复与智能体能力升级。

其名称中“V3.1”代表基于DeepSeek V3架构的次世代迭代版本，“Terminus”源自拉丁语，意为“终点”，暗示该版本是V3.1系列的终极优化版，标志着V3架构的成熟收官；核心功能涵盖自然语言处理、代码生成、智能体（Code Agent、Search Agent）应用等，同时修复了前代模型的语言一致性问题。官方使用门槛极低，支持免费开源部署，可在Hugging Face、ModelScope平台免费下载权重，API调用采用阶梯定价，输入缓存命中时每百万tokens仅0.5元，未命中为4元，输出统一为每百万tokens12元，无强制订阅要求，无明显使用限制；同期无全新兄弟模型发布，仅为V3.1基础版的迭代升级，团队同步透露正在内测下一代Agent专用模型。

该模型目前处于生命周期的成熟阶段，属于DeepSeek V3架构的最终稳定版本，尚未被淘汰，也未成为当前最新主力（后续已规划V4系列模型）；其最突出的核心特点是“精准修复痛点+高效实用”，在解决异常字符、语言混杂问题的同时，强化智能体能力，兼顾低成本与高可用性，适合开发者部署与日常实用场景。

# 二、发展历程

# 2.1 研发背景

DeepSeek V3.1 Terminus发布前，行业内主流大模型呈现“闭源引领、开源追赶”的格局，闭源端以OpenAI GPT-4系列、Google Gemini 2.5 Pro为代表，优势在于综合性能强、智能体能力突出，但存在调用成本高昂、不开源、定制化难度大的痛点；开源端则有Llama 2、Mistral等模型，优势在于可免费部署、定制灵活，但存在中文处理能力不足、智能体表现参差不齐、细节bug较多的问题。彼时，大模型竞争已进入“精细化优化”阶段，用户不再单纯追求参数规模，而是更看重输出稳定性、痛点解决能力与性价比，DeepSeek V3.1基础版此前因存在异常字符输出、语言混杂等问题，难以满足生产环境使用需求，在此背景下，DeepSeek团队快速迭代，推出了V3.1 Terminus版本，聚焦痛点修复与能力提升。

# 2.2 关键节点

DeepSeek团队自2024年12月发布DeepSeek V3架构后，便启动了V3.1版本的研发工作，核心目标是优化混合推理架构与智能体能力；2025年8月21日，DeepSeek V3.1基础版正式发布，首次引入双模式推理架构，但发布后很快被用户反馈存在随机输出“极”字等异常字符、中英文甚至中英俄三语混杂的问题，严重影响代码编译与日常使用；收到反馈后，团队紧急启动优化工作，仅用一个月时间完成bug修复与能力升级，于2025年9月22日晚正式发布DeepSeek V3.1 Terminus版本，同步开放开源权重与API调用，官方全端（App、网页端、小程序）同步切换至该版本；发布后一周内，团队完成多轮实测验证，确认异常字符、语言混杂等核心问题已解决，并同步披露修复方案与测试数据，进一步完善模型稳定性。

# 2.3 家族构成

DeepSeek大模型家族布局全面，涵盖通用大模型、专用大模型与迭代版本，各核心模型定位清晰，具体如下：

DeepSeek LLM：2024年1月发布，是家族首款通用大模型，分为7B、67B等参数版本，训练数据达2万亿中英文词元，采用GQA优化推理成本，67B版本性能超越Llama-2 70B，Chat版本优于GPT-3.5，为家族后续模型奠定了基础。

DeepSeek MoE：2024年1月同步发布，采用创新MoE架构，分为16B等参数版本，在2T中英文token上从头训练，性能与DeepSeek 7B相当，但计算量仅为40%，可在单40GB内存GPU上部署，主打高效推理与轻量化部署。

DeepSeek Math：2024年2月发布，专注于数学领域的专用大模型，训练数据量是开源数据集OpenWebMath的9倍，引入GRPO强化学习算法，基于DeepSeek-Coder-v1.5初始化，在中英数学基准榜单上表现突出，逼近GPT-4能力。

DeepSeek V2：2024年5月发布，属于V系列迭代的核心版本，改造注意力模块提出MLA架构，改进MoE架构，基于YaRN扩展长上下文，通过多阶段训练流程与Token-Dropping策略提升性能，是V3系列的重要技术铺垫。

DeepSeek V3：2024年12月发布，采用无辅助损失的负载均衡策略、多Token预测与FP8混合精度训练框架，基础模型超越其他开源模型，聊天版本与领先闭源模型性能相当，是V3.1系列的基座架构。

DeepSeek R1：2025年1月发布，主打高效推理，采用多阶段训练与冷启动数据，其Zero版本无需SFT就有卓越推理能力，与OpenAI o1系列性能相当，同时提炼出六个蒸馏模型，提升小模型推理能力。

DeepSeek V3.1 Terminus：2025年9月发布，V3.1基础版的终极优化版，聚焦痛点修复与智能体能力升级，是V3架构的收官之作，为下一代模型奠定基础。

# 三、核心技术剖析

# 3.1 固有技术

DeepSeek V3.1 Terminus继承了DeepSeek V3架构与V3.1基础版的核心底层技术，确保了性能的连贯性与稳定性。其一，继承了混合推理架构，支持“思考模式”与“非思考模式”双模式切换，兼顾复杂推理与快速响应，其中思考模式针对复杂任务优化，输出长度默认32K tokens，最大支持64K tokens，非思考模式针对快速响应场景，输出长度默认4K tokens，最大可扩展至8K tokens；其二，沿用671B参数规模的MoE架构，每次仅激活37B活跃参数，采用FP8微缩放技术，兼顾性能与推理效率，同时优化了动态路由机制，解决专家负载不均衡问题；其三，延续了基于YaRN的长上下文扩展技术，将上下文窗口扩展至128K，可处理更长篇幅的文档与代码；其四，继承了前代模型的对齐手段与高效训练框架，确保中文处理能力与多任务适配性，同时沿用开源策略，支持商业场景定制化部署。

# 3.2 创新技术

该模型的核心创新的是“精准痛点修复+智能体能力优化”，无过度炫技的技术创新，聚焦实用化升级，具体创新点如下：

1.  改良tokenizer与动态对齐训练技术，解决语言一致性问题：通过优化词表采样策略与训练范式，动态对齐多语言训练数据，将中英文混杂率降低68%，异常字符出现频率下降73%，彻底解决了前代模型随机输出“极”“極”等异常字符的bug，避免代码编译失败、文本输出混乱等问题，同时基本消除了小语种翻译中的多语言混杂现象，提升跨语言表达规范性。

2.  优化智能体（Agent）能力，强化工具调用与复杂任务处理：重点升级Code Agent与Search Agent，在BrowseComp、Terminal-bench等基准测试中表现显著提升，其中BrowseComp从30.0分跃升至38.5分，Terminal-bench从31.3分提升至36.7分；Code Agent可精准理解复杂编程概念，能稳定生成无异常字符的代码，支持多语言编程与复杂工程开发，Search Agent可精准识别并交叉验证信息，提升多轮检索效率与信息连贯性。

3.  量化修复与透明化优化，提升模型可靠性：公开前代模型异常问题的根源（中文sub-token采样表与注意力阈值耦合异常），同步披露修复方案、2万条测试集规模及0.02%的复发率，通过量化数据体现修复效果；同时锁定MoE专家数为256个，压缩18%动态路由计算量，通过“多潜在空间对齐”技术提升中文知识召回率4.3个百分点，在降低计算成本的同时提升实用性能。

# 四、表现评估

# 4.1 历史与现状

刚发布时，DeepSeek V3.1 Terminus凭借精准的痛点修复与显著的能力提升，迅速获得行业关注，发布后短期内登上科技类资讯热搜，成为开源大模型领域的焦点，彼时其在Humanity's Last Exam等基准测试中表现超越Google Gemini 2.5 Pro，填补了前代模型的短板，成为当时开源模型中“稳定性与性价比兼具”的代表，吸引了大量开发者下载部署。截至2026年4月，该模型仍处于稳定可用状态，未被淘汰，但随着DeepSeek团队筹备V4系列模型，其已逐渐退出主力迭代序列，成为V3架构的“稳定版标杆”，核心定位转向“实用化部署”，仍被大量中小开发者与企业用于日常场景、代码开发等领域，第三方平台调用量保持稳定。

# 4.2 优势亮点

结合业内基准测试数据与实测表现，DeepSeek V3.1 Terminus的优势主要集中在三个核心维度，表现突出且贴合实用需求：

1.  语言输出稳定性极强：解决了前代模型的致命bug，经实测，连续200次调用未再出现异常字符与多语言混杂现象，语言一致性提升显著，在代码生成、文本创作、翻译等对输出规范性要求高的场景中表现优异，尤其适合Go语言编程等对字符敏感的场景。

2.  智能体能力突出：在Agent相关基准测试中表现优异，BrowseComp、SimpleQA、SWE-bench Verified等测试均有明显提升，其中SWE-bench Verified从66.0分提升至68.4分，SWE-bench Multilingual从54.5分提升至57.8分；实测中，Code Agent可精准生成小球弹跳等物理模拟代码，重力、摩擦力模拟效果逼真，Search Agent可精准完成多条件交叉检索任务，信息准确性与连贯性强。

3.  性价比与部署门槛极低：相比OpenAI GPT-4每百万token10美元的收费，该模型API调用成本仅为其1/6左右，且支持缓存优化，进一步降低重复访问场景的成本；同时开源权重可免费下载，支持商用，无需高昂的订阅费用，可在普通GPU上部署，适合中小开发者与中小企业使用，第三方平台（腾讯、字节跳动等）的调用量占比达70%，生态适配性强。

4.  综合测试表现优异：在Humanity's Last Exam基准测试中，成绩较V3.1基础版提升36.48%，超越Gemini 2.5 Pro跃居全球排行榜第三位；在MMLU-Pro、GPQA-Diamond等非Agent类基准测试中也有明显提升，综合性能逼近国际顶尖开源模型。

# 4.3 缺点与不足

该模型并非完美，存在明显的短板与局限，均为实测中可复现的问题，无刻意回避：

1.  部分基准测试表现下滑：并非所有测试维度均有提升，在Codeforces、Aider-Polypglot等编程相关基准测试中，有1%左右的小幅下降，说明在部分复杂编程场景中，能力仍有欠缺，不如部分专注于代码领域的专用模型。

2.  数学能力表现一般：尽管整体性能提升，但在数学竞赛、复杂数学推理场景中，表现不如DeepSeek Math专用模型，也不及GPT-4、Gemini 2.5 Pro等顶尖闭源模型，高中数学压轴题等复杂题型的准确率仍有提升空间。

3.  创新能力不足：该版本本质上是“痛点修复版”，无突破性的技术创新，核心架构仍沿用V3系列，主要优化集中在bug修复与细节提升，相较于同期部分模型的技术突破，竞争力更多体现在“实用”而非“创新”。

4.  开源生态面临复刻风险：由于开源权重可免费获取，存在被第三方免费复刻、修改后重新发布的情况，可能导致模型生态混乱，同时也会影响官方版本的调用量与商业价值。

# 五、重大事件

1.  2025年9月22日，DeepSeek V3.1 Terminus正式发布，同步开放开源权重与API调用，官方全端切换至该版本，发布后迅速引发行业关注，登上澎湃新闻、光明网等多家主流科技媒体头条，成为当时开源大模型领域的热点事件，核心亮点是“一个月内完成痛点修复与迭代”。

2.  2025年9月下旬，模型因“彻底解决异常字符bug”引发开源社区热议，开发者实测验证后纷纷转发分享，相关话题在技术社区（如GitHub、51CTO）热度飙升，大量开发者下载部署，短期内Hugging Face与ModelScope平台的下载量突破10万次，成为同期下载量最高的开源大模型之一。

3.  2025年10月，DeepSeek团队公开模型bug修复细节与测试数据，包括异常问题根源、修复方案、测试集规模及复发率，这种透明化操作获得行业认可，被业内评价为“开源模型痛点修复的标杆”，也为团队后续融资铺垫了基础，助力其获得3000万美元融资安全垫。

4.  2025年底，该模型完成华为昇腾910C、寒武纪MLU590算子级优化，推理时延降低22%，成功进入某省政务审批系统，单日处理量达12万件，成为国产开源模型在政务场景落地的典型案例，进一步提升了其行业影响力。