Text Models (LLM)alibaba-cloud

معرفی و مستندات مدل هوش مصنوعی qwen3-235b-a22b-thinking-2507

مستندات مدل qwen3-235b-a22b-thinking-2507 ارائه شده توسط ای آی کار (AI-KAR)

معرفی و بررسی فنی

⚡ وضعیت پشتیبانی از زبان فارسی

این مدل از زبان فارسی به صورت متوسط پشتیبانی می‌کند. درک نسبتا خوبی از دستور زبان فارسی دارد اما ممکن است در تولید متون پیچیده فارسی دچار مشکل شود.

مدل qwen3-235b-a22b-thinking-2507 از Alibaba Cloud، یک مدل زبان بزرگ (LLM) پیشرفته است که برای انجام وظایف گوناگون طراحی شده است. این مدل به طور خاص در انجام وظایف استدلالی، از جمله استدلال منطقی، ریاضیات، علوم، کدنویسی و بنچمارک‌های آکادمیک که معمولاً نیازمند تخصص انسانی هستند، بهبود یافته است. این مدل با بهره‌گیری از معماری پیچیده و آموزش گسترده بر روی مجموعه داده‌های متنوع، قادر است پاسخ‌های دقیق و مرتبطی را در زمینه‌های مختلف ارائه دهد. یکی از ویژگی‌های برجسته این مدل، توانایی درک و پاسخگویی به سوالات پیچیده است. این مدل می‌تواند مفاهیم انتزاعی را درک کرده و با استفاده از استدلال منطقی، به نتایج معقولی دست یابد. در زمینه ریاضیات، این مدل قادر است مسائل مختلف را حل کرده و توضیحات دقیقی از مراحل حل ارائه دهد. در علوم، این مدل می‌تواند اطلاعات علمی را تجزیه و تحلیل کرده و به سوالات مربوط به این حوزه پاسخ دهد. همچنین، این مدل در کدنویسی نیز توانایی بالایی دارد و می‌تواند کد‌های مختلف را تولید، اصلاح و اشکال‌زدایی کند. مدل qwen3-235b-a22b-thinking-2507 به گونه‌ای طراحی شده است که بتواند با کاربران به صورت طبیعی و روان ارتباط برقرار کند. این مدل قادر است لحن و سبک نوشتاری خود را با توجه به موضوع و مخاطب تنظیم کرده و پاسخ‌هایی ارائه دهد که هم دقیق و هم قابل فهم باشند. این ویژگی باعث می‌شود که این مدل برای استفاده در برنامه‌های مختلف، از جمله چت‌بات‌ها، دستیارهای مجازی و سیستم‌های پشتیبانی مشتری، بسیار مناسب باشد. علاوه بر این، این مدل از قابلیت‌های پیشرفته‌ای در زمینه تولید متن برخوردار است. این مدل می‌تواند متن‌های خلاقانه و جذابی را در قالب‌های مختلف، از جمله داستان، شعر و مقاله، تولید کند. همچنین، این مدل می‌تواند متن‌های موجود را خلاصه کرده، ترجمه کند و یا به سبک‌های مختلف بازنویسی کند. این ویژگی‌ها باعث می‌شود که این مدل برای استفاده در صنایع مختلف، از جمله رسانه، تبلیغات و آموزش، بسیار مفید باشد. به طور خلاصه، مدل qwen3-235b-a22b-thinking-2507 یک ابزار قدرتمند و چندمنظوره است که می‌تواند در زمینه‌های مختلف مورد استفاده قرار گیرد. این مدل با توانایی‌های استدلالی، زبانی و تولید متن پیشرفته خود، می‌تواند به کاربران کمک کند تا وظایف خود را به طور موثرتر و کارآمدتر انجام دهند. ای آی کار (AI-KAR) مفتخر است که این مدل را در اختیار کاربران خود قرار می‌دهد.

مشخصات فنی (API References)

پارامتر	نوع	توضیحات و مقادیر
model	stringRequired	نام مدل مورد استفاده. باید `alibaba/qwen3-235b-a22b-thinking-2507` باشد. مقادیر مجاز (کلیک برای کپی):
messages	one of[]Required	لیستی از پیام‌ها که مکالمه را تا کنون تشکیل می‌دهند. بسته به مدلی که استفاده می‌کنید، انواع مختلف پیام (modalities) مانند متن، اسناد (txt، pdf)، تصاویر و صدا پشتیبانی می‌شوند.
max_completion_tokens	integer	حد بالایی برای تعداد توکن‌هایی که می‌توان برای تکمیل تولید کرد، از جمله توکن‌های خروجی قابل مشاهده و توکن‌های استدلالی.
max_tokens	number	حداکثر تعداد توکن‌هایی که می‌توان در تکمیل چت تولید کرد. این مقدار می‌تواند برای کنترل هزینه‌های متن تولید شده از طریق API استفاده شود.
stream	boolean	اگر روی True تنظیم شود، داده‌های پاسخ مدل با استفاده از رویدادهای ارسال شده توسط سرور به صورت جریانی به مشتری ارسال می‌شوند.
stream_options	object	تنظیمات مربوط به جریان داده.
tools	object[]	لیستی از ابزارهایی که مدل ممکن است فراخوانی کند. در حال حاضر، فقط توابع به عنوان ابزار پشتیبانی می‌شوند. از این برای ارائه لیستی از توابعی استفاده کنید که مدل ممکن است ورودی‌های JSON را برای آنها تولید کند. حداکثر 128 تابع پشتیبانی می‌شود.
tool_choice	any of	کنترل می‌کند که کدام ابزار (در صورت وجود) توسط مدل فراخوانی شود. `none` به این معنی است که مدل هیچ ابزاری را فراخوانی نمی‌کند و در عوض یک پیام تولید می‌کند. `auto` به این معنی است که مدل می‌تواند بین تولید یک پیام یا فراخوانی یک یا چند ابزار انتخاب کند. `required` به این معنی است که مدل باید یک یا چند ابزار را فراخوانی کند. تعیین یک ابزار خاص از طریق `{"type": "function", "function": {"name": "my_function"}}` مدل را مجبور می‌کند تا آن ابزار را فراخوانی کند. مقادیر مجاز (کلیک برای کپی):
parallel_tool_calls	boolean	تعیین اینکه آیا فراخوانی موازی تابع در حین استفاده از ابزار فعال شود یا خیر.
temperature	number	از چه دمای نمونه‌برداری استفاده شود. مقادیر بالاتر مانند 0.8 خروجی را تصادفی‌تر می‌کنند، در حالی که مقادیر پایین‌تر مانند 0.2 آن را متمرکزتر و قطعی‌تر می‌کنند. ما معمولاً توصیه می‌کنیم این مقدار یا `top_p` را تغییر دهید، اما نه هر دو را.
top_p	number	جایگزینی برای نمونه‌برداری با دما، به نام نمونه‌برداری هسته‌ای، که در آن مدل نتایج توکن‌ها را با جرم احتمال `top_p` در نظر می‌گیرد. بنابراین 0.1 به این معنی است که فقط توکن‌هایی که شامل 10٪ جرم احتمال برتر هستند در نظر گرفته می‌شوند.
stop	any of	حداکثر 4 دنباله که API تولید توکن‌های بیشتر را متوقف می‌کند. متن بازگشتی شامل دنباله توقف نخواهد بود.
frequency_penalty	number	عدد بین -2.0 و 2.0. مقادیر مثبت، توکن‌های جدید را بر اساس فراوانی موجود آنها در متن تا کنون جریمه می‌کنند و احتمال تکرار عین به عین همان خط را کاهش می‌دهند.
prediction	object	پیکربندی برای یک خروجی پیش‌بینی‌شده، که می‌تواند زمان پاسخ را هنگام مشخص بودن بخش‌های بزرگی از پاسخ مدل از قبل، بسیار بهبود بخشد.
presence_penalty	number	مقادیر مثبت، توکن‌های جدید را بر اساس اینکه آیا در متن تا کنون ظاهر شده‌اند یا خیر، جریمه می‌کنند و احتمال صحبت در مورد موضوعات جدید را افزایش می‌دهند.
seed	integer	این ویژگی در نسخه بتا است. اگر مشخص شود، سیستم ما تمام تلاش خود را می‌کند تا به طور قطعی نمونه‌برداری کند، به طوری که درخواست‌های مکرر با همان seed و پارامترها باید نتیجه یکسانی را برگردانند.
response_format	one of	شیئی که فرمتی را مشخص می‌کند که مدل باید خروجی دهد.
repetition_penalty	number	عددی که تنوع متن تولید شده را با کاهش احتمال تکرار دنباله‌های تکراری کنترل می‌کند. مقادیر بالاتر تکرار را کاهش می‌دهند.

نمونه کدهای درخواست

نکته مهم برای توسعه‌دهندگان:

برای احراز هویت، حتما کلید API خود را جایگزین YOUR_API_KEY کنید. هدر Authorization الزامی است.

import requests
import json  # for getting a structured output with indentation

response = requests.post(
    "https://api.ai-kar.com/v1/chat/completions",
    headers={
        # Insert your AI-KAR API Key instead of <YOUR_AI-KARAPI_KEY>:
        "Authorization": "Bearer <YOUR_AI-KARAPI_KEY>",
        "Content-Type": "application/json"
    },
    json={
        "model": "alibaba/qwen3-235b-a22b-thinking-2507",
        "messages": [
            {
                "role": "user",
                "content": "Hello"  # insert your prompt here, instead of Hello
            }
        ],
        "enable_thinking": False
    }
)

data = response.json()
print(json.dumps(data, indent=2, ensure_ascii=False))

نمونه پاسخ موفق (JSON)

RESPONSE (200 OK)

{
  "id": "chatcmpl-af05df1d-5b72-925e-b3a9-437acbd89b1a",
  "system_fingerprint": null,
  "object": "chat.completion",
  "choices": [
    {
      "index": 0,
      "finish_reason": "stop",
      "logprobs": null,
      "message": {
        "role": "assistant",
        "content": "Hello! 😊 How can I assist you today? Feel free to ask me any questions or let me know if you need help with anything specific!",
        "reasoning_content": "Okay, the user said \"Hello\". That's a simple greeting. I should respond in a friendly and welcoming way. Let me make sure to keep it open-ended so they feel comfortable to ask questions or share what's on their mind. Maybe add a smiley emoji to keep it warm. Let me check if there's anything else they might need. Since it's just a hello, probably not much more needed here. Just a polite reply."
      }
    }
  ],
  "created": 1753871154,
  "model": "qwen3-235b-a22b-thinking-2507",
  "usage": null
}