Text Models (LLM)anthropic

معرفی و مستندات مدل هوش مصنوعی claude-3-opus

مستندات مدل claude-3-opus از Anthropic، 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 مطلب فارسی قابل قبول است اما در تولید متن فارسی ممکن است با مشکلاتی روبرو شود.

مدل claude-3-opus یک مدل هوش مصنوعی چندوجهی بسیار توانمند است که توسط Anthropic توسعه داده شده است. این مدل قادر به پردازش داده‌های متنی و تصویری است و در انجام وظایفی که نیازمند استدلال پیچیده، حل مسائل ریاضی، کدنویسی و درک متون چند زبانه هستند، عملکرد بسیار خوبی دارد. claude-3-opus به عنوان یکی از پیشرفته‌ترین مدل‌های موجود، توانایی درک و تولید متون با کیفیت بالا را داراست و می‌تواند در زمینه‌های مختلفی از جمله تولید محتوا، پاسخگویی به سوالات، ترجمه زبان‌ها و تحلیل داده‌ها مورد استفاده قرار گیرد. این مدل با بهره‌گیری از معماری پیشرفته و آموزش بر روی حجم عظیمی از داده‌ها، قادر به ارائه پاسخ‌های دقیق و مرتبط با زمینه است. همچنین، claude-3-opus از قابلیت‌های یادگیری عمیق بهره می‌برد که به آن امکان می‌دهد تا با گذشت زمان و تعامل با داده‌های جدید، عملکرد خود را بهبود بخشد. این مدل می‌تواند به عنوان یک ابزار قدرتمند برای توسعه‌دهندگان، محققان و کسب‌وکارها مورد استفاده قرار گیرد و به آن‌ها کمک کند تا به راهکارهای نوآورانه و کارآمدتری دست یابند. از جمله کاربردهای کلیدی claude-3-opus می‌توان به تولید محتوای خلاقانه، ارائه خدمات مشتریان هوشمند، تحلیل داده‌های پیچیده و توسعه برنامه‌های کاربردی مبتنی بر هوش مصنوعی اشاره کرد. این مدل با ارائه دقت بالا و سرعت مناسب، می‌تواند به بهبود بهره‌وری و کاهش هزینه‌ها در سازمان‌ها کمک کند. همچنین، claude-3-opus از قابلیت‌های امنیتی پیشرفته‌ای برخوردار است که از حفاظت داده‌ها و حریم خصوصی کاربران اطمینان حاصل می‌کند. با توجه به توانایی‌های گسترده و عملکرد برتر، claude-3-opus به عنوان یک انتخاب ایده‌آل برای پروژه‌های هوش مصنوعی در مقیاس بزرگ و کوچک مطرح است. این مدل با ارائه امکانات متنوع و انعطاف‌پذیری بالا، می‌تواند به نیازهای مختلف کاربران پاسخ دهد و به آن‌ها کمک کند تا به اهداف خود دست یابند.

مشخصات فنی (API References)

پارامتر	نوع	توضیحات و مقادیر
model	stringRequired	مدل مورد استفاده برای تولید پاسخ. مقادیر مجاز در `enum` مشخص شده‌اند. مقادیر مجاز (کلیک برای کپی):
frequency_penalty	number	عدد بین -2.0 و 2.0. مقادیر مثبت، توکن‌های جدید را بر اساس فراوانی موجودشان در متن جریمه می‌کنند، در نتیجه احتمال تکرار عین به عین یک خط توسط مدل کاهش می‌یابد.
logit_bias	object	تغییر احتمال ظاهر شدن توکن‌های مشخص شده در تکمیل. یک شی JSON می‌پذیرد که توکن‌ها (مشخص شده توسط ID توکن‌شان در توکنایزر) را به یک مقدار بایاس مرتبط از -100 تا 100 نگاشت می‌کند. از نظر ریاضی، بایاس به logits تولید شده توسط مدل قبل از نمونه‌برداری اضافه می‌شود. اثر دقیق آن در هر مدل متفاوت خواهد بود، اما مقادیر بین -1 و 1 باید احتمال انتخاب را کاهش یا افزایش دهند؛ مقادیری مانند -100 یا 100 باید منجر به ممنوعیت یا انتخاب انحصاری توکن مربوطه شوند.
logprobs	boolean	مشخص می‌کند که آیا احتمال لگاریتمی توکن‌های خروجی برگردانده شود یا خیر. اگر True باشد، احتمال لگاریتمی هر توکن خروجی برگردانده شده در محتوای پیام 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، هر کدام با یک احتمال لگاریتمی مرتبط. اگر این پارامتر استفاده شود، logprobs باید روی True تنظیم شود.
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.
max_completion_tokens	integer	حد بالایی برای تعداد توکن‌هایی که می‌توان برای یک تکمیل تولید کرد، از جمله توکن‌های خروجی قابل مشاهده و توکن‌های استدلال.
n	integer	تعداد انتخاب‌های تکمیل چتی که برای هر پیام ورودی تولید می‌شود. توجه داشته باشید که هزینه بر اساس تعداد توکن‌های تولید شده در همه انتخاب‌ها محاسبه می‌شود. n را 1 نگه دارید تا هزینه‌ها به حداقل برسد.
prediction	object	پیکربندی برای یک خروجی پیش‌بینی‌شده، که می‌تواند زمان پاسخ را در زمانی که بخش‌های بزرگی از پاسخ مدل از قبل مشخص هستند، بسیار بهبود بخشد.
presence_penalty	number	مقادیر مثبت، توکن‌های جدید را بر اساس اینکه آیا در متن تا کنون ظاهر شده‌اند جریمه می‌کنند، در نتیجه احتمال صحبت کردن مدل در مورد موضوعات جدید افزایش می‌یابد.
seed	integer	این ویژگی در حالت بتا است. اگر مشخص شود، سیستم ما تمام تلاش خود را می‌کند تا به صورت قطعی نمونه‌برداری کند، به طوری که درخواست‌های مکرر با همان seed و پارامترها باید نتیجه یکسانی را برگردانند.
messages	arrayRequired	لیستی از پیام‌ها که مکالمه را تا کنون تشکیل می‌دهند. بسته به مدلی که استفاده می‌کنید، انواع مختلف پیام (modalities) پشتیبانی می‌شوند، مانند متن، اسناد (txt، pdf)، تصاویر و صدا.
stream	boolean	اگر روی True تنظیم شود، داده‌های پاسخ مدل به صورت جریانی با استفاده از رویدادهای ارسال شده توسط سرور به کلاینت ارسال می‌شوند.
stream_options	object	گزینه‌های مربوط به جریان داده.
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. به طور کلی توصیه می‌کنیم این یا دما را تغییر دهید، اما نه هر دو را.
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. به طور کلی توصیه می‌کنیم این یا top_p را تغییر دهید، اما نه هر دو را.
stop	array	حداکثر 4 دنباله که API تولید توکن‌های بیشتر را متوقف می‌کند. متن بازگردانده شده شامل دنباله توقف نخواهد بود.
tools	array	لیستی از ابزارهایی که مدل ممکن است فراخوانی کند. در حال حاضر، فقط توابع به عنوان یک ابزار پشتیبانی می‌شوند. از این برای ارائه لیستی از توابعی که مدل ممکن است ورودی‌های JSON را برای آنها تولید کند، استفاده کنید. حداکثر 128 تابع پشتیبانی می‌شود.
tool_choice	string	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. none مقدار پیش‌فرض است زمانی که هیچ ابزاری وجود نداشته باشد. auto مقدار پیش‌فرض است اگر ابزارها وجود داشته باشند. مقادیر مجاز (کلیک برای کپی):
parallel_tool_calls	boolean	مشخص می‌کند که آیا فراخوانی موازی تابع در طول استفاده از ابزار فعال شود یا خیر.
reasoning_effort	string	تلاش برای استدلال را برای مدل‌های استدلالی محدود می‌کند. مقادیر پشتیبانی شده فعلی عبارتند از low، medium و high. کاهش تلاش استدلال می‌تواند منجر به پاسخ‌های سریع‌تر و توکن‌های کمتری شود که در استدلال در یک پاسخ استفاده می‌شوند. مقادیر مجاز (کلیک برای کپی):
response_format	object	یک شی که فرمتی را مشخص می‌کند که مدل باید خروجی دهد.
audio	object	پارامترها برای خروجی صدا. زمانی مورد نیاز است که خروجی صدا با modalities: ["audio"] درخواست شود.
modalities	array	انواع خروجی که می‌خواهید مدل تولید کند. اکثر مدل‌ها قادر به تولید متن هستند که مقدار پیش‌فرض است: ["text"] مدل gpt-4o-audio-preview همچنین می‌تواند برای تولید صدا استفاده شود. برای درخواست اینکه این مدل هم پاسخ‌های متنی و هم صوتی تولید کند، می‌توانید از: ["text", "audio"] استفاده کنید.
web_search_options	object	این ابزار وب را برای نتایج مرتبط جستجو می‌کند تا در یک پاسخ استفاده 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

url = 'https://api.ai-kar.com/v1/chat/completions'
headers = {
    'Authorization': 'Bearer <YOUR_AI-KARAPI_KEY>',
    'Content-Type': 'application/json'
}
data = {
    'model': 'anthropic/claude-3-opus',
    'messages': [
        {
            'role': 'user',
            'content': 'Hello'
        }
    ]
}

response = requests.post(url, headers=headers, data=json.dumps(data))

if response.status_code == 200:
    print(json.dumps(response.json(), indent=2))
else:
    print(f'Error: {response.status_code}')
    print(response.text)

نمونه پاسخ موفق (JSON)

RESPONSE (200 OK)

{
  "id": "text",
  "object": "text",
  "created": 1,
  "choices": [
    {
      "index": 1,
      "message": {
        "role": "text",
        "content": "text",
        "refusal": null,
        "annotations": [
          {
            "type": "text",
            "url_citation": {
              "end_index": 1,
              "start_index": 1,
              "title": "text",
              "url": "text"
            }
          }
        ],
        "audio": {
          "id": "text",
          "data": "text",
          "transcript": "text",
          "expires_at": 1
        },
        "tool_calls": [
          {
            "id": "text",
            "type": "text",
            "function": {
              "arguments": "text",
              "name": "text"
            }
          }
        ]
      },
      "finish_reason": "stop",
      "logprobs": {
        "content": [
          {
            "bytes": [
              1
            ],
            "logprob": 1,
            "token": "text",
            "top_logprobs": [
              {
                "bytes": [
                  1
                ],
                "logprob": 1,
                "token": "text"
              }
            ]
          }
        ],
        "refusal": []
      }
    }
  ],
  "model": "text",
  "usage": {
    "prompt_tokens": 1,
    "completion_tokens": 1,
    "total_tokens": 1,
    "completion_tokens_details": {
      "accepted_prediction_tokens": 1,
      "audio_tokens": 1,
      "reasoning_tokens": 1,
      "rejected_prediction_tokens": 1
    },
    "prompt_tokens_details": {}
  }
}