DeepSeek · pașaport de model
DeepSeek V3 1
deepseek-v3-1- Ponderi deschise
- Licență MIT
- 684.5B parametri
- Lansat 2025-08-21(curatoriat)
- General · LMArena
- 1,417#123 din 396
- Cea mai bună percentilă
- 92.1MMLU-Pro (Artificial Analysis)
- Poziția în cohortă
- 63.1mediană 51.9
Ce spun datele
Evaluat pe 9 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.
Cele mai puternice axe
- 92.1 pct — MMLU-Pro (Artificial Analysis) (85.1%)
- 88.5 pct — LiveCodeBench (Artificial Analysis) (78.4%)
Neuniform: 59,9 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 92.1 pct pe MMLU-Pro (Artificial Analysis) față de 32.2 pct pe SimpleBench.
- MMLU-Pro (Artificial Analysis)92.1 pct85.1%Verifică →
- LiveCodeBench (Artificial Analysis)88.5 pct78.4%Verifică →
- Halucinații HHEM (Vectara)83.8 pct94.5%Verifică →
- General69.2 pct1,417Verifică →
- Urmarea instrucțiunilor67.4 pct1,402Verifică →
- Prompturi dificile66.4 pct1,432Verifică →
- Programare63.2 pct1,447Verifică →
- IFBench (Artificial Analysis)44.4 pct41.5%Verifică →
- SimpleBench32.2 pct40.0%Verifică →
- WebDev ArenaNeevaluat
- Vision ArenaNeevaluat
- Factuality ArenaNeevaluat
- Search ArenaNeevaluat
- Document ArenaNeevaluat
- Agent ArenaNeevaluat
- GPQA DiamondNeevaluat
- AIME (matematică)Neevaluat
- FrontierMathNeevaluat
- SimpleQA VerifiedNeevaluat
- ARC-AGI-2Neevaluat
- Humanity's Last ExamNeevaluat
- LiveBenchNeevaluat
- BFCL v4 (apelare de funcții)Neevaluat
- SWE-bench Verified (clasament live)Neevaluat
- Terminal-Bench 4.0Neevaluat
- SWE-bench VerifiedNeevaluat
- Terminal-BenchNeevaluat
Percentilele reprezintă poziția modelului în populația proprie a fiecărui clasament. Axele marcate „neevaluat” nu au niciun rezultat publicat pentru acest model — este o absență a datelor, nu un scor mic.
Cum îl rulezi
Rulează-l singur
Transformers
from transformers import AutoModelForCausalLM, AutoTokenizer
model_id = "deepseek-ai/DeepSeek-V3.1"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)Ollama
Nu sincronizăm tag-urile Ollama, așa că nu afișăm o comandă pe care nu o putem verifica — una greșită ar descărca modelul greșit. Caută în biblioteca Ollama →
Rețetele de fine-tuning Unsloth sunt specifice fiecărui model și nu le derivăm aici. Documentația Unsloth →
Identificatorii, limitele și prețurile sunt sincronizate din sursa upstream afișată mai sus. Orice câmp nesincronizat este omis complet, nu ghicit.
deepseek-v3.1 stands at 63.1 (raw mean 67.5) — measured on 9 of 27 axes.
deepseek-v3.1 stands at 63.1 versus a cohort median of 51.9 across 148 models released within 180 days — above the peer median.
deepseek-v3.1 scores at percentile 92.1 on MMLU-Pro (Artificial Analysis).
deepseek-v3.1 scores at percentile 88.5 on LiveCodeBench (Artificial Analysis).
deepseek-v3.1 ranks between #101 and #158 across 5 built-in weightings — best under "Toate sursele", worst under "Raționament".
Fiecare afirmație este un fapt calculat din datele actuale ale clasamentului, formulat de un apel de model la temperatură scăzută și respins de o poartă de validare dacă vreun număr nu se află în rândul sursă. Cum funcționează clasamentele →