DeepSeek-V3 0324
DeepSeek-V3 0324 est un LLM de DeepSeek sorti le 25 mars 2025. Avec environ un an d’ancienneté, il appartient déjà à une génération très éloignée du rythme actuel de l’IA, ce qui le situe surtout comme un modèle à évaluer face aux LLM de sa période plutôt qu’aux meilleurs systèmes récents.
DeepSeek-V3 0324 est un LLM de DeepSeek sorti le 25 mars 2025. Avec environ un an d’ancienneté, il appartient déjà à une génération très éloignée du rythme actuel de l’IA, ce qui le situe surtout comme un modèle à évaluer face aux LLM de sa période plutôt qu’aux meilleurs systèmes récents.
Son profil combine une très grande taille, une fenêtre de contexte étendue et un positionnement tarifaire très économique. Sa licence autorise l’usage commercial, mais les poids ne sont pas ouverts, ce qui limite les usages nécessitant une exécution ou une adaptation entièrement autonome.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | DeepSeek |
| Licence | MIT + Model License (Commercial use allowed) (poids non ouverts) |
| Date de sortie | 25 mars 2025 |
| Connaissances jusqu'à | 2024-07-31 |
| Multimodal | non |
| Paramètres | 671 milliards |
| Paramètres actifs | 37 milliards |
| Fenêtre de contexte | 163 840 tokens |
| Modalités (entrée → sortie) | text → text |
Indices de synthèse
| Indice | Valeur | Rang (LLM) |
|---|---|---|
| Intelligence Index | 15.7 | 112ᵉ / 136 |
| Math Index | 41.0 | 36ᵉ / 55 |
Indices Artificial Analysis. Le rang situe le modèle parmi tous les LLM du catalogue disposant de l'indice.
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| MATH-500 | 94,0 % | 21ᵉ / 31 | llm-stats | Auto-déclaré |
| MMLU-Pro | 81,2 % | 43ᵉ / 125 | llm-stats | Auto-déclaré |
| GPQA | 68,4 % | 118ᵉ / 213 | llm-stats | Auto-déclaré |
| AIME 2024 | 59,4 % | 43ᵉ / 52 | llm-stats | Auto-déclaré |
| LiveCodeBench | 49,2 % | 46ᵉ / 72 | llm-stats | Auto-déclaré |
« Auto-déclaré » : score communiqué par l'éditeur, non rejoué indépendamment. « Mesuré » : évalué par un tiers (Epoch AI, LiveBench). Le rang est calculé parmi les LLM évalués sur le même benchmark.
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.
Intelligence Index
Math Index
Classements Arena (Elo)
| Catégorie | Elo | Rang |
|---|---|---|
| Arena Text | 1395 | 127ᵉ |
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| DeepInfra | 0,2 $ | 0,77 $ | 0,135 $ |
| novita | 0,28 $ | 1,14 $ | n.d. |
| artificialanalysis | 1,195 $ | 1,25 $ | 1,195 $ |
Prix en dollars US par million de tokens.
Sa tarification se situe 90 % en dessous de la moyenne des LLM similaires, et 24,2 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).
Notre analyse
Forces. À sa sortie, DeepSeek-V3 0324 se plaçait dans le haut du panier de sa génération sur GPQA, avec un classement dans le top 20% des LLM comparables de la même période. Son meilleur intérêt reste son rapport coût-capacité : sa tarification se situe très nettement sous la moyenne des LLM similaires et largement sous celle des modèles frontière, ce qui en faisait une option attractive pour des volumes importants de texte. Sa fenêtre de contexte très large renforçait aussi son intérêt pour l’analyse de documents longs, la synthèse multi-documents et les tâches nécessitant de conserver beaucoup d’informations dans une même requête.
Limites et points d'attention. Son classement global est faible dans l’Intelligence Index et son résultat Arena text le place loin des meilleurs modèles évalués, signe d’une compétitivité limitée sur les usages généralistes. Le Math Index est plus favorable que son niveau général, mais ne suffit pas à en faire une référence spécialisée. Son ancienneté pèse fortement : ses performances sont aujourd’hui largement dépassées et un modèle de cette génération est souvent retiré ou remplacé dans les catalogues d’éditeur. La coupure de connaissances à juillet 2024 limite aussi la fiabilité sur les faits récents.
Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai) · Artificial Analysis (artificialanalysis.ai) · Arena.ai (arena.ai).