DeepSeek V3.1 Terminus
DeepSeek V3.1 Terminus est un LLM de DeepSeek sorti le 22 septembre 2025, avec des connaissances arrêtées au 31 mars 2025. Il se distingue par une très grande fenêtre de contexte de 163 840 tokens et par 37 milliards de paramètres actifs, un format adapté aux longs documents et aux…
DeepSeek V3.1 Terminus est un LLM de DeepSeek sorti le 22 septembre 2025, avec des connaissances arrêtées au 31 mars 2025. Il se distingue par une très grande fenêtre de contexte de 163 840 tokens et par 37 milliards de paramètres actifs, un format adapté aux longs documents et aux échanges étendus.
Son positionnement est surtout économique : le tarif annoncé démarre à 0,27 $ par million de tokens en entrée et 0,95 $ en sortie. Il se situe 86% sous la moyenne des LLM similaires et environ 17,9 fois sous les modèles frontière, avec une couverture fondée sur 4 sources concordantes.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | DeepSeek |
| Date de sortie | 22 septembre 2025 |
| Connaissances jusqu'à | 2025-03-31 |
| Multimodal | non |
| Paramètres actifs | 37 milliards |
| Fenêtre de contexte | 163 840 tokens |
| Modalités (entrée → sortie) | text → text |
Indices de synthèse
| Indice | Valeur | Rang (LLM) |
|---|---|---|
| Intelligence Index | 21.4 | 94ᵉ / 136 |
| Math Index | 53.7 | 31ᵉ / 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 |
|---|---|---|---|---|
| Benchable : Hallucinations (Baseline) | 100,0 % | 1ᵉ / 229 | benchable | ✅ Mesuré |
| Benchable : Ethics (Baseline) | 100,0 % | 1ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : General Knowledge (Baseline) | 99,5 % | 68ᵉ / 250 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 97,0 % | 163ᵉ / 254 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 91,0 % | 105ᵉ / 217 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 90,0 % | 111ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 90,0 % | 85ᵉ / 239 | benchable | ✅ Mesuré |
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 | 1418 | 93ᵉ |
| Arena Text | 1416 | 99ᵉ |
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| DeepInfra | 0,27 $ | 0,95 $ | 0,13 $ |
| artificialanalysis | 0,27 $ | 1 $ | 0,27 $ |
Prix en dollars US par million de tokens.
Sa tarification se situe 86 % en dessous de la moyenne des LLM similaires, et 17,9 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0,03 $ |
| Latence moyenne par benchmark — Benchable | 3 min 45 s |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Notre analyse
Forces. DeepSeek V3.1 Terminus ressort très nettement sur les tests Benchable Hallucinations (Baseline) et Ethics (Baseline), où il figure en tête du classement et dans le top 10. Ce profil indique une bonne maîtrise des réponses à risque, en particulier sur la cohérence factuelle mesurée par ce benchmark et sur les scénarios éthiques standardisés. Le modèle obtient aussi un résultat élevé en General Knowledge (Baseline), même si son rang le place davantage dans un groupe dense que parmi les tout premiers. En mathématiques et en code, les scores Benchable restent solides, avec des résultats élevés en valeur absolue, mais sans domination du classement. Le principal avantage concret reste le rapport capacité-prix : une longue fenêtre de contexte, un coût très bas face aux LLM comparables et un écart marqué avec les modèles haut de gamme.
Limites et points d'attention. L’Intelligence Index place DeepSeek V3.1 Terminus dans la seconde moitié du panel, ce qui limite son positionnement comme modèle généraliste de premier rang. Les deux mesures Arena text le situent aussi autour du milieu-bas du classement, signe d’une compétitivité modérée en préférence humaine sur les échanges textuels. Email Classification (Baseline), Mathematics (Baseline) et Coding (Baseline) affichent de bons pourcentages, mais des rangs relativement reculés, ce qui suggère une concurrence forte sur ces tâches. Ce modèle convient surtout aux usages sensibles au coût, aux longs contextes et aux tâches générales où la priorité n’est pas d’atteindre le niveau des modèles frontière.
Sources des données : OpenRouter (openrouter.ai) · Artificial Analysis (artificialanalysis.ai) · Arena.ai (arena.ai) · Benchable.ai (benchable.ai).