Text Models (LLM)alibaba-cloud

معرفی و مستندات مدل هوش مصنوعی qwen3-next-80b-a3b-instruct

مستندات مدل qwen3-next-80b-a3b-instruct 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.

مدل qwen3-next-80b-a3b-instruct از alibaba-cloud یک مدل چت آموزش‌دیده است که برای پاسخ‌های سریع و پایدار بدون ردیابی استدلال بهینه شده است. این مدل برای انجام وظایف پیچیده در زمینه‌های استدلال، کدنویسی، پرسش و پاسخ دانش و استفاده چند زبانه طراحی شده و دارای همسویی و قالب‌بندی قوی است. این مدل به طور خاص برای تولید پاسخ‌های متنی با کیفیت بالا و درک دستورالعمل‌های پیچیده طراحی شده است. با استفاده از معماری پیشرفته و آموزش گسترده، qwen3-next-80b-a3b-instruct قادر است به سوالات مختلف پاسخ دهد، کد تولید کند، دانش خود را به اشتراک بگذارد و به زبان‌های مختلف ارتباط برقرار کند. این مدل به ویژه در مواردی که نیاز به پاسخ‌های سریع و دقیق بدون نیاز به نمایش مراحل استدلال است، بسیار مفید است. به عنوان مثال، در یک محیط پشتیبانی مشتری، این مدل می‌تواند به سرعت به سوالات متداول پاسخ دهد و راهنمایی‌های لازم را ارائه کند. همچنین، در زمینه‌های آموزشی، این مدل می‌تواند به عنوان یک معلم خصوصی عمل کرده و به دانش‌آموزان در یادگیری مفاهیم پیچیده کمک کند. علاوه بر این، qwen3-next-80b-a3b-instruct دارای قابلیت‌های چند زبانه است که به آن امکان می‌دهد با کاربران در سراسر جهان ارتباط برقرار کند. این ویژگی به ویژه برای شرکت‌هایی که در سطح بین‌المللی فعالیت می‌کنند، بسیار ارزشمند است. در نهایت، این مدل با توجه به همسویی و قالب‌بندی قوی خود، قادر است پاسخ‌هایی را تولید کند که نه تنها دقیق و مرتبط هستند، بلکه از نظر ظاهری نیز جذاب و حرفه‌ای هستند. این امر باعث می‌شود که کاربران تجربه بهتری از تعامل با این مدل داشته باشند و به آن اعتماد بیشتری کنند. این مدل با استفاده از تکنیک‌های پیشرفته یادگیری عمیق آموزش داده شده است تا بتواند الگوهای پیچیده در داده‌ها را شناسایی کرده و پاسخ‌های مناسبی را تولید کند. همچنین، این مدل به طور مداوم در حال بهبود است و با استفاده از بازخورد کاربران و داده‌های جدید، عملکرد آن به مرور زمان بهبود می‌یابد. به طور خلاصه، qwen3-next-80b-a3b-instruct یک مدل چت قدرتمند و چند منظوره است که می‌تواند در زمینه‌های مختلف مورد استفاده قرار گیرد و به کاربران در انجام وظایف پیچیده کمک کند.

مشخصات فنی (API References)

پارامتر	نوع	توضیحات و مقادیر
model	stringRequired	نام مدلی که می‌خواهید استفاده کنید. مقدار آن باید 'alibaba/qwen3-next-80b-a3b-instruct' باشد. مقادیر مجاز (کلیک برای کپی):
messages	one of[]Required	لیستی از پیام‌ها که مکالمه را تا اینجا 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 استدلال. حداقل مقدار: 1
max_tokens	number	حداکثر تعداد توکن‌هایی که می‌توان در تکمیل چت تولید کرد. این مقدار می‌تواند برای کنترل هزینه‌ها برای متن تولید شده از طریق API استفاده شود. حداقل مقدار: 1
stream	boolean	اگر روی True تنظیم شود، داده‌های پاسخ مدل با استفاده از رویدادهای ارسال شده توسط سرور به صورت جریانی به کلاینت ارسال می‌شوند. مقدار پیش‌فرض: false
stream_options	object	تنظیمات مربوط به استریم کردن
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 که آن ابزار را فراخوانی کند. مقادیر مجاز (کلیک برای کپی):
parallel_tool_calls	boolean	اینکه آیا فراخوانی موازی تابع در هنگام 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. ما معمولاً توصیه می‌کنیم این مقدار یا دما را تغییر دهید، اما نه هر دو را.
stop	any of	حداکثر 4 دنباله که API تولید توکن‌های بیشتر را متوقف می‌کند. متن بازگشتی شامل دنباله توقف نخواهد بود.
frequency_penalty	number	عددی 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 یک خط توسط مدل را کاهش می‌دهند.
prediction	object	پیکربندی برای یک خروجی پیش‌بینی‌شده، که می‌تواند زمان پاسخ را در زمانی که بخش‌های بزرگی از پاسخ مدل از قبل مشخص هستند، به میزان زیادی 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 کردن در مورد موضوعات جدید توسط مدل 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 توالی‌های تکراری کنترل می‌کند. مقادیر بالاتر تکرار را کاهش می‌دهند.
logprobs	boolean	اینکه آیا احتمالات لگاریتمی توکن‌های خروجی برگردانده شوند یا خیر. اگر True باشد، احتمالات لگاریتمی هر توکن خروجی که در محتوای پیام برگردانده شده است را برمی‌گرداند.
top_logprobs	number	یک عدد صحیح بین 0 و 20 که تعداد محتمل‌ترین توکن‌ها را برای بازگشت در هر موقعیت توکن مشخص می‌کند، که هر کدام دارای یک احتمال لگاریتمی مرتبط هستند. اگر این پارامتر استفاده شود، logprobs باید روی True تنظیم شود.

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-next-80b-a3b-instruct",
        "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-a944254a-4252-9a54-af1b-94afcfb9807e",
  "system_fingerprint": null,
  "object": "chat.completion",
  "choices": [
    {
      "index": 0,
      "finish_reason": "stop",
      "logprobs": null,
      "message": {
        "role": "assistant",
        "content": "Hello! How can I help you today? 😊"
      }
    }
  ],
  "created": 1758228572,
  "model": "qwen3-next-80b-a3b-instruct",
  "usage": {
    "prompt_tokens": 9,
    "completion_tokens": 46,
    "total_tokens": 55
  }
}