DeepSeek V3.1 est un grand modèle de langage à raisonnement hybride publié par DeepSeek le 21 août 2025. Il réunit deux modes de fonctionnement, Thinking et Non-Thinking, au sein d’un même modèle. Fondé sur une architecture Mixture-of-Experts (MoE), il possède 671 milliards de paramètres au total, dont 37 milliards activés pour chaque token traité, avec une fenêtre de contexte annoncée de 128K tokens.
DeepSeek-V3.1 a notamment marqué une évolution dans l’utilisation des outils, des agents de programmation et des tâches de raisonnement. Mais il n’est plus le modèle servi par défaut dans l’application ou l’API officielle DeepSeek : après son remplacement par V3.1-Terminus en septembre 2025, plusieurs générations lui ont succédé. Ses poids officiels restent néanmoins accessibles au téléchargement.
Ce guide explique ses caractéristiques, ses performances, la différence entre ses modes de raisonnement, son évolution par rapport à R1 et Terminus, ainsi que les méthodes permettant encore de l’utiliser. Les informations de disponibilité ont été vérifiées le 26 octobre 2026.
Qu’est-ce que DeepSeek-V3.1 ?
DeepSeek-V3.1 est une évolution de la famille DeepSeek-V3, conçue pour améliorer simultanément les réponses directes, le raisonnement complexe et les interactions avec des outils externes. Lors de son lancement, DeepSeek présentait cette version comme une étape vers des applications reposant davantage sur des agents IA.
Sa principale innovation est le raisonnement hybride : le même checkpoint peut fonctionner avec ou sans mode de réflexion approfondie. Cela évite d’avoir nécessairement recours à deux modèles distincts pour répondre rapidement à une question simple ou traiter un problème nécessitant davantage de raisonnement.
Selon l’annonce officielle du 21 août 2025, trois améliorations constituaient le cœur de cette version : la prise en charge des deux modes de raisonnement, une meilleure efficacité du mode Thinking par rapport à DeepSeek-R1-0528 et des capacités renforcées pour les tâches d’agents utilisant des outils.
DeepSeek-V3.1 et DeepSeek-V3.1-Base : quelle différence ?
DeepSeek a publié deux checkpoints principaux, tous deux disponibles dans son organisation officielle sur Hugging Face :
- DeepSeek-V3.1-Base : modèle de base bénéficiant d’un préentraînement supplémentaire, notamment pour le contexte long. Il s’adresse principalement aux travaux de recherche, à l’adaptation de modèles et aux étapes ultérieures d’entraînement.
- DeepSeek-V3.1 : modèle ayant reçu un post-training supplémentaire. Il est destiné à suivre des instructions, répondre à des questions et prendre en charge les modes Thinking et Non-Thinking.
Si vous cherchez à utiliser DeepSeek-V3.1 comme assistant, le checkpoint post-trained est généralement le choix approprié. Le checkpoint Base ne doit pas être considéré comme un chatbot conversationnel prêt à l’emploi avec les mêmes comportements.
Caractéristiques techniques de DeepSeek V3.1
La fiche officielle du modèle fournit les spécifications suivantes.
| Caractéristique | DeepSeek-V3.1 |
|---|---|
| Date de lancement | 21 août 2025 |
| Architecture | Mixture-of-Experts (MoE), fondée sur DeepSeek-V3 |
| Paramètres totaux | 671 milliards |
| Paramètres activés | 37 milliards par token |
| Fenêtre de contexte | 128K tokens |
| Modes | Thinking et Non-Thinking |
| Modèle de base | DeepSeek-V3.1-Base |
| Format numérique documenté | FP8 avec échelle UE8M0 |
| Modalité principale | Entrée et sortie textuelles |
| Licence des poids officiels | MIT |
| Distribution | Hugging Face et ModelScope |
Que signifient 671B de paramètres et 37B activés ?
L’architecture Mixture-of-Experts répartit une partie des calculs entre plusieurs groupes de paramètres spécialisés, appelés experts. Tous les paramètres du modèle ne sont donc pas mobilisés pour chaque token.
Dans DeepSeek-V3.1, les 671 milliards correspondent au nombre total de paramètres indiqué par DeepSeek, tandis que les 37 milliards représentent les paramètres activés lors du traitement d’un token.
Cette organisation permet de bénéficier d’une grande capacité de représentation tout en évitant d’utiliser systématiquement tous les paramètres pour chaque calcul. Cependant, 37 milliards de paramètres activés ne signifient pas que le modèle occupe seulement la mémoire d’un modèle 37B : les poids des autres experts doivent également être stockés ou rendus accessibles au système d’inférence.
Hugging Face affiche par ailleurs environ 685 milliards de paramètres dans certaines métadonnées automatiques de son interface. Pour décrire l’architecture annoncée, il est préférable de retenir les 671 milliards indiqués dans le tableau technique publié par DeepSeek, sans attribuer un écart précis de comptage à une cause non documentée.
À quoi sert la fenêtre de contexte de 128K tokens ?
Une fenêtre de contexte de 128K permet de traiter des instructions, documents et échanges conversationnels relativement longs, dans la limite des règles du modèle et du moteur utilisé.
Ce nombre ne correspond pas à un volume fixe de pages : la quantité de texte représentée dépend de la langue, de la tokenisation et du contenu. Les limites éventuellement annoncées par un fournisseur tiers peuvent également différer de celles de la fiche officielle des poids.
Thinking et Non-Thinking : les deux modes de DeepSeek-V3.1
DeepSeek-V3.1 prend en charge deux modes au sein d’un même checkpoint. Dans son fonctionnement original, le choix du mode repose sur le chat template, c’est-à-dire le format qui organise les rôles, messages et tokens spéciaux transmis au modèle.
| Critère | Non-Thinking | Thinking |
|---|---|---|
| Objectif | Fournir une réponse directe | Allouer davantage de génération au raisonnement |
| Usages typiques | Résumé, reformulation, rédaction, questions simples | Problèmes complexes, programmation, mathématiques et logique |
| Latence | Généralement mieux adapté aux tâches rapides | Peut nécessiter davantage de temps |
| Consommation | Souvent plus limitée pour une tâche simple | Potentiellement plus de tokens générés |
| Activation dans les poids originaux | Chat template configuré sans réflexion | Chat template configuré avec réflexion |
Le mode Thinking ne garantit pas systématiquement une réponse correcte. La qualité dépend toujours de la tâche, des informations disponibles et du comportement du modèle.
Comment les modes étaient-ils activés dans l’API en 2025 ?
Lors du lancement de V3.1, DeepSeek utilisait deux identifiants API historiques :
deepseek-chatpour le mode Non-Thinking.deepseek-reasonerpour le mode Thinking.
Les deux identifiants dirigeaient alors vers les modes correspondants de DeepSeek-V3.1, avec une fenêtre de contexte de 128K. Le site et l’application permettaient également de basculer entre les modes au moyen du bouton DeepThink.
Cette information est historique. Les identifiants ont ensuite servi d’autres générations avant que DeepSeek annonce leur suppression en juillet 2026. Ils ne doivent donc pas être réutilisés comme méthode actuelle pour appeler V3.1.
Comment choisir le mode avec les poids originaux ?
La model card officielle montre que le tokenizer accepte l’argument thinking lors de l’application du chat template. L’exemple Python suivant permet de comparer les préfixes produits, sans charger les centaines de milliards de paramètres du modèle.
Installez d’abord Transformers :
python -m pip install -U transformersPuis utilisez le tokenizer officiel :
from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained(
"deepseek-ai/DeepSeek-V3.1"
)
messages = [
{
"role": "user",
"content": "Expliquez le fonctionnement d'un modèle MoE."
}
]
for thinking in (False, True):
prompt = tokenizer.apply_chat_template(
messages,
tokenize=False,
thinking=thinking,
add_generation_prompt=True
)
print(f"Thinking={thinking} : {prompt[-70:]!r}")Ce script prépare et affiche seulement les fins des prompts formatés. Il ne génère pas de réponse avec DeepSeek-V3.1 et ne remplace pas un serveur d’inférence. L’exécution complète du modèle exige une infrastructure beaucoup plus importante et un moteur compatible avec le chat template choisi.
Quelles améliorations DeepSeek-V3.1 apportait-il par rapport à V3 ?
DeepSeek-V3.1 conserve les grandes lignes architecturales de DeepSeek-V3, notamment le fonctionnement MoE. Son évolution repose sur un préentraînement supplémentaire du checkpoint de base et un post-training destiné à améliorer les comportements conversationnels, le raisonnement hybride et les agents.
Une extension du contexte en deux phases
Selon la documentation officielle, DeepSeek-V3.1-Base a été construit à partir du checkpoint de base V3 avec deux phases de préentraînement supplémentaire :
- Phase 32K : environ 630 milliards de tokens supplémentaires.
- Phase 128K : environ 209 milliards de tokens supplémentaires.
DeepSeek résume l’ensemble à environ 840 milliards de tokens de continued pretraining. Ce nombre décrit le volume de données supplémentaires utilisé dans ces phases d’entraînement ; il ne correspond ni à la fenêtre de contexte ni au nombre de paramètres.
Une meilleure efficacité du raisonnement
À son lancement, DeepSeek indiquait que V3.1 en mode Thinking pouvait atteindre une qualité de réponse comparable à DeepSeek-R1-0528 avec un temps de génération réduit. Il s’agit d’une observation rapportée par l’éditeur dans ses évaluations, et non d’une garantie applicable à toutes les demandes.
Pour un développeur, l’intérêt de cette amélioration résidait dans la possibilité d’utiliser un même modèle pour différents degrés de complexité, en choisissant la configuration adaptée à chaque tâche.
Tool calling, Code Agent et Search Agent dans DeepSeek-V3.1
DeepSeek-V3.1 a également été optimisé pour les applications agentiques, c’est-à-dire les systèmes dans lesquels un modèle peut interagir avec des outils ou participer à une succession d’actions.
Ces capacités nécessitent cependant de distinguer le comportement du modèle, le format des messages et le framework qui exécute les outils.
Appels d’outils en Non-Thinking Mode
La documentation originale du checkpoint décrit le tool calling général en mode Non-Thinking. Le modèle peut produire des appels d’outils sous un format spécial, avec le nom de l’outil et des arguments structurés.
Un système externe doit ensuite interpréter l’appel, exécuter l’outil et transmettre son résultat. Le modèle ne dispose pas automatiquement de permissions sur un navigateur, un terminal ou une base de données.
Code Agent et Search Agent
DeepSeek présentait également des améliorations pour les agents de programmation et de recherche :
- Code Agent : workflows dans lesquels un agent inspecte un projet, propose des modifications, exploite des outils de développement et réalise plusieurs étapes pour résoudre un problème.
- Search Agent : processus dans lequel le modèle utilise un outil de recherche fourni par l’application pour récupérer des informations externes et poursuivre son travail.
La model card documente un format spécifique de recherche avec outils en Thinking Mode, distinct du tool calling général décrit en Non-Thinking Mode. Il serait donc incorrect d’affirmer que tous les formats d’appels d’outils fonctionnent de façon identique dans les deux modes.
De plus, l’existence d’une capacité Search Agent ne signifie pas que le checkpoint possède un moteur de recherche web intégré. L’outil de recherche, ses autorisations et ses résultats doivent être fournis par le système qui héberge l’agent.
Performances de DeepSeek-V3.1 : ce que montrent les benchmarks
La model card officielle présente plusieurs évaluations couvrant les connaissances générales, les mathématiques, la programmation et les agents. Les chiffres ci-dessous proviennent des résultats publiés par DeepSeek lors du lancement de V3.1.
| Benchmark | V3.1 et mode évalué | Comparaison publiée |
|---|---|---|
| MMLU-Pro | 84,8 — Thinking | 85,0 pour R1-0528 |
| GPQA-Diamond | 80,1 — Thinking | 81,0 pour R1-0528 |
| AIME 2025 | 88,4 — Thinking | 87,5 pour R1-0528 |
| LiveCodeBench (2408–2505) | 74,8 — Thinking | 73,3 pour R1-0528 |
| SWE-bench Verified | 66,0 — Non-Thinking, mode agent | 45,4 pour V3-0324, mode agent |
Comment interpréter ces résultats ?
Les scores montrent que DeepSeek-V3.1 Thinking était compétitif avec R1-0528 sur plusieurs tâches, sans le dépasser systématiquement. Par exemple, dans les résultats publiés, V3.1 faisait légèrement mieux sur AIME 2025, mais restait légèrement en retrait sur GPQA-Diamond.
Les évaluations des agents demandent encore davantage de prudence. DeepSeek précise que SWE-bench a été évalué avec son propre framework de Code Agent, tandis que les résultats des agents de recherche reposaient sur un framework interne utilisant notamment une API de recherche commerciale et un filtre de pages web.
Ces scores mesurent donc parfois l’ensemble modèle + outils + environnement d’évaluation, et pas uniquement les performances d’une génération textuelle isolée.
Un score élevé sur un benchmark ne garantit ni l’absence d’hallucinations, ni la réussite de toutes les tâches professionnelles. Pour choisir un modèle, il reste préférable de l’évaluer sur des exemples représentatifs de votre propre application.
DeepSeek V3.1 vs V3.1-Terminus, R1 et les versions plus récentes
Plusieurs modèles ont marqué l’évolution de DeepSeek autour de V3.1. Leur relation est importante, car certains tutoriels utilisent encore d’anciens noms API en supposant qu’ils correspondent au même modèle.
| Modèle | Date | Évolution principale |
|---|---|---|
| DeepSeek-V3-0324 | Mars 2025 | Amélioration du modèle V3, notamment en code et connaissances générales |
| DeepSeek-R1-0528 | 28 mai 2025 | Actualisation du modèle spécialisé en raisonnement |
| DeepSeek-V3.1 | 21 août 2025 | Raisonnement hybride et capacités agentiques renforcées |
| DeepSeek-V3.1-Terminus | 22 septembre 2025 | Améliorations linguistiques et optimisation des agents |
| DeepSeek-V3.2-Exp | 29 septembre 2025 | Étape expérimentale de la génération V3.2 |
| DeepSeek-V3.2 | 1er décembre 2025 | Nouvelle génération remplaçant les modèles précédents sur l’API |
| DeepSeek-V4.1-Flash-1017 | 17 octobre 2026 | Mise à jour de V4.1 Flash sur le Web, l’application et l’API |
Qu’a changé DeepSeek-V3.1-Terminus ?
Le 22 septembre 2025, DeepSeek a annoncé DeepSeek-V3.1-Terminus, une révision conservant les grandes capacités de V3.1 tout en corrigeant plusieurs défauts identifiés après son lancement.
Les changements publiés concernaient notamment la réduction des mélanges involontaires entre chinois et anglais, la diminution de caractères anormaux et l’amélioration des agents de recherche et de programmation.
DeepSeek a également publié les poids de Terminus. Il s’agit donc d’un checkpoint distinct, et pas simplement d’un nouveau nom commercial sans modification technique.
DeepSeek-V3.1 est-il meilleur que R1-0528 ?
Il n’existe pas de réponse universelle. R1-0528 était orienté vers le raisonnement, alors que V3.1 cherchait à combiner des réponses directes, un raisonnement approfondi et des capacités d’agent dans un même checkpoint.
Les évaluations publiées montrent des avantages variables selon la tâche. Pour reproduire une étude ou comparer les modèles, il faut sélectionner les checkpoints exacts et conserver un protocole équivalent, plutôt que d’utiliser une interface qui a depuis changé de version.
DeepSeek V3.1 est-il encore disponible aujourd’hui ?
Oui, sous forme de poids téléchargeables et potentiellement via des fournisseurs tiers, mais pas comme modèle courant de l’API officielle DeepSeek. Il faut distinguer les différentes méthodes d’accès.
Dans le site et l’application officiels DeepSeek
V3.1 était disponible dans le chat officiel lors de son lancement en août 2025. Mais le service a ensuite été actualisé vers V3.1-Terminus, V3.2 et la génération V4.
Le changelog officiel du 17 octobre 2026 confirme que les services Web et App ont été mis à jour vers DeepSeek-V4.1-Flash-1017. Ouvrir aujourd’hui le chatbot officiel ne signifie donc pas que vous dialoguez avec DeepSeek-V3.1.
Dans l’API officielle DeepSeek
La page actuelle des modèles API présente notamment :
deepseek-flash: identifiant qui sert DeepSeek-V4.1-Flash-1017.deepseek-v4-pro: identifiant du modèle V4 Pro documenté par DeepSeek.
Aucun identifiant V3.1 dédié ne figure dans la liste officielle publique consultée le 26 octobre 2026. Le fournisseur propose également un endpoint GET /models permettant aux développeurs authentifiés de récupérer les identifiants accessibles à leur compte.
Les anciens noms deepseek-chat et deepseek-reasoner ont été utilisés pour plusieurs générations successives. DeepSeek a annoncé leur retrait au 24 juillet 2026. Ils ne constituent donc pas un moyen fiable d’accéder aujourd’hui au checkpoint V3.1 historique.
Via Hugging Face, ModelScope ou un fournisseur tiers
Les checkpoints officiels V3.1 sont toujours publiés sur Hugging Face et ModelScope. Ils peuvent être téléchargés et servis par une infrastructure compatible, sous réserve du respect de la licence et des contraintes matérielles.
Certains fournisseurs externes peuvent également proposer des endpoints utilisant DeepSeek-V3.1. Dans ce cas, vérifiez leur identifiant de modèle, leur tarification, leurs limites, les modalités prises en charge et la version réellement hébergée. Ces services ne sont pas interchangeables avec l’API officielle de DeepSeek.
Télécharger DeepSeek-V3.1 et préparer son exécution locale
Si vous voulez reproduire les capacités du modèle original plutôt que simplement utiliser le dernier DeepSeek disponible, commencez par choisir le checkpoint correspondant à votre objectif.
| Checkpoint officiel | Quand le choisir ? |
|---|---|
| DeepSeek-V3.1 | Étudier ou héberger le modèle post-trained original avec ses deux modes de raisonnement |
| DeepSeek-V3.1-Base | Recherche sur le préentraînement, adaptations et entraînements supplémentaires |
| DeepSeek-V3.1-Terminus | Explorer la révision de septembre 2025 et ses améliorations linguistiques et agentiques |
Quel matériel faut-il pour DeepSeek-V3.1 ?
DeepSeek-V3.1 est un modèle de très grande taille. Le dépôt officiel Hugging Face représente approximativement 689 Go de fichiers. Cela donne un ordre de grandeur du stockage à prévoir pour les poids originaux, mais ne constitue pas une estimation directe de la mémoire GPU nécessaire.
Les besoins matériels dépendent du format des poids, du moteur d’inférence, de la répartition des experts, de la fenêtre de contexte et du nombre de requêtes concurrentes. Une quantification peut réduire certaines exigences, mais elle peut aussi modifier la précision et le comportement du modèle.
DeepSeek renvoie aux instructions du dépôt officiel DeepSeek-V3 pour l’exécution locale. La fiche V3.1 comporte également des ressources liées à vLLM et SGLang.
Deux recommandations techniques y figurent : les paramètres mlp.gate.e_score_correction_bias doivent être chargés et calculés en précision FP32, tandis que les poids et activations FP8 doivent respecter le format d’échelle UE8M0. Ces détails sont importants pour les moteurs qui prennent directement en charge l’architecture.
Avant un déploiement, vérifiez la compatibilité exacte du moteur, la capacité de stockage, la mémoire réellement disponible, la configuration multi-GPU éventuelle et le format du checkpoint. Une commande générique de chargement du modèle ne garantit pas qu’il fonctionnera sur un ordinateur personnel ordinaire.
Quelle différence entre un serveur local et l’API officielle ?
Un serveur local compatible peut exposer une interface HTTP au format OpenAI tout en exécutant les poids V3.1 que vous avez téléchargés. L’existence de cette compatibilité n’implique toutefois pas que le serveur utilise les mêmes identifiants, la même facturation ou les mêmes fonctions que l’API officielle DeepSeek.
Pour exécuter précisément DeepSeek-V3.1, il faut vérifier le checkpoint chargé et le mode de chat template réellement utilisé. Une simple configuration du paramètre model vers un nom ancien de l’API DeepSeek ne permet pas de retrouver une génération qui a été remplacée.
DeepSeek-V3.1 est-il open source et utilisable commercialement ?
Les poids officiels et le dépôt DeepSeek-V3.1 sont publiés sous licence MIT, comme l’indique la model card. Cette licence permet notamment l’utilisation, la modification et la redistribution, y compris à des fins commerciales, sous réserve de respecter ses conditions.
Il faut néanmoins distinguer la publication des poids de la disponibilité de tous les éléments nécessaires pour reproduire entièrement l’entraînement. L’accès aux fichiers du modèle et à du code d’inférence ne démontre pas, à lui seul, que l’ensemble des données de formation et du pipeline original est distribué.
Avant un usage commercial ou une redistribution, consultez le texte officiel de la licence MIT du checkpoint. Vérifiez également les licences distinctes des moteurs, bibliothèques et éventuelles quantifications communautaires que vous utilisez.
DeepSeek V3.1 peut-il répondre en français, lire des images ou des PDF ?
DeepSeek-V3.1 peut générer du texte en français, mais les principales évaluations publiées lors de son lancement ne constituent pas une validation exhaustive de ses performances dans cette langue. La qualité d’une tâche de traduction, de rédaction spécialisée ou d’analyse doit être vérifiée sur des exemples représentatifs.
Concernant les images, la fiche officielle du checkpoint V3.1 décrit un modèle principalement textuel. Il ne faut pas lui attribuer automatiquement les capacités de compréhension visuelle apparues dans des modèles DeepSeek ultérieurs.
Pour traiter un PDF contenant du texte, un système peut d’abord extraire son contenu et le transmettre au modèle, dans la limite de son contexte. Pour un PDF scanné, des graphiques ou des images, une étape OCR ou un modèle vision compatible peut être nécessaire.
Un service tiers peut ajouter ses propres fonctions d’analyse documentaire autour de V3.1. Cela ne signifie pas que le checkpoint original intègre nativement toutes ces capacités.
Faut-il encore choisir DeepSeek-V3.1 aujourd’hui ?
DeepSeek-V3.1 reste pertinent dans certains contextes, mais il n’est pas systématiquement le choix le plus simple pour un nouveau projet.
| Votre besoin | Choix à privilégier |
|---|---|
| Utiliser DeepSeek immédiatement dans un chatbot | Le modèle actuellement proposé par le service officiel |
| Développer une application avec l’API DeepSeek | Un identifiant disponible dans Models & Pricing et l’endpoint /models |
| Reproduire une évaluation de 2025 | Le checkpoint original DeepSeek-V3.1 avec un protocole correspondant |
| Étudier les modes de raisonnement hybrides | DeepSeek-V3.1 et ses chat templates documentés |
| Étudier les améliorations de Terminus | DeepSeek-V3.1-Terminus |
| Héberger le modèle sur sa propre infrastructure | Les poids officiels, si les ressources et le moteur sont adaptés |
| Construire une nouvelle application agentique | Comparer les modèles récents et V3.1 sur vos propres tâches avant de décider |
Pour un projet neuf qui n’exige pas la reproduction du comportement historique de V3.1, il est généralement plus pertinent de commencer par les modèles officiellement maintenus, puis d’évaluer si l’auto-hébergement ou l’utilisation d’un checkpoint ancien apporte un avantage concret.
À l’inverse, pour une étude scientifique, un benchmark reproductible ou une application spécifiquement optimisée pour V3.1, conserver le checkpoint original peut être essentiel.
Questions fréquentes sur DeepSeek V3.1
DeepSeek V3.1 est-il gratuit ?
Ses poids officiels sont publiés sous licence MIT et peuvent être téléchargés sans acheter une licence d’accès au checkpoint. Cependant, le stockage, les ressources de calcul et l’hébergement peuvent coûter cher. Un fournisseur API tiers peut également facturer les appels selon ses propres tarifs.
Peut-on encore utiliser exactement DeepSeek-V3.1 via une API ?
Oui, si vous utilisez un fournisseur tiers qui héberge réellement ce checkpoint ou une infrastructure d’inférence que vous contrôlez. En revanche, l’API officielle DeepSeek actuelle ne répertorie pas V3.1 comme modèle directement accessible. Vérifiez toujours le model ID et la version servie par le fournisseur.
Le contexte de 128K est-il identique chez tous les fournisseurs ?
Non, pas nécessairement. La model card originale indique 128K, mais un prestataire peut proposer une configuration différente selon son moteur, ses restrictions d’entrée et de sortie ou ses options de déploiement. Consultez sa documentation plutôt que d’appliquer automatiquement les spécifications de l’API historique.
DeepSeek-V3.1 dispose-t-il d’un raisonnement interne fiable ?
Le mode Thinking permet d’allouer davantage de génération au raisonnement, mais ne garantit pas la validité des conclusions. Pour les calculs, le code ou les décisions critiques, contrôlez les résultats avec des tests, des outils spécialisés ou une vérification indépendante.
Ce qu’il faut retenir
DeepSeek-V3.1 a marqué une évolution importante de la famille DeepSeek en réunissant les modes Thinking et Non-Thinking dans un même modèle MoE de 671 milliards de paramètres. Ses progrès documentés concernaient notamment le raisonnement, la programmation et l’usage d’outils dans les systèmes agentiques.
Depuis 2025, le modèle a été remplacé dans les services officiels par plusieurs générations plus récentes, mais ses poids restent disponibles pour la recherche et l’auto-hébergement. La distinction essentielle est donc celle entre reproduire précisément DeepSeek-V3.1 et utiliser aujourd’hui les capacités de DeepSeek via son API officielle. Ces objectifs ne nécessitent ni les mêmes modèles ni la même infrastructure.
