Text Models (LLM)anthropic

معرفی و مستندات مدل هوش مصنوعی claude-3.7-sonnet

مستندات مدل claude-3.7-sonnet 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 و درک نسبتا خوبی از متون فارسی دارد.

مدل claude-3.7-sonnet یک مدل هوش مصنوعی ترکیبی است که برای انجام وظایف پیچیده طراحی شده است. این مدل دارای یک حالت عملکرد دوگانه است که ترکیبی از تولید زبان استاندارد با قابلیت‌های تفکر گسترده است. این مدل می‌تواند در زمینه‌های مختلفی از جمله تولید متن، ترجمه زبان، پاسخ به سوالات و خلاصه‌سازی متون مورد استفاده قرار گیرد. مدل claude-3.7-sonnet با بهره‌گیری از معماری پیشرفته خود، قادر است تا با دقت و سرعت بالایی به درخواست‌های کاربران پاسخ دهد. این مدل به ویژه برای کاربردهایی که نیاز به استدلال و تفکر عمیق دارند، مناسب است. به عنوان مثال، می‌توان از آن برای تحلیل داده‌ها، حل مسائل پیچیده و ارائه راهکارهای نوآورانه استفاده کرد. یکی از ویژگی‌های برجسته این مدل، توانایی آن در درک و تولید متون با سبک‌ها و لحن‌های مختلف است. این امر به کاربران امکان می‌دهد تا از آن در زمینه‌های مختلفی از جمله بازاریابی، تبلیغات و تولید محتوای خلاقانه استفاده کنند. علاوه بر این، مدل claude-3.7-sonnet دارای قابلیت یادگیری مداوم است و با گذشت زمان، عملکرد آن بهبود می‌یابد. این مدل با استفاده از داده‌های آموزشی جدید، قادر است تا دانش خود را گسترش داده و به سوالات کاربران با دقت بیشتری پاسخ دهد. در مجموع، مدل claude-3.7-sonnet یک ابزار قدرتمند و کارآمد برای انجام وظایف مختلف است و می‌تواند به کاربران در زمینه‌های مختلفی کمک کند. این مدل با ارائه قابلیت‌های پیشرفته و عملکرد بالا، به عنوان یکی از بهترین مدل‌های هوش مصنوعی موجود در بازار شناخته می‌شود. تیم ای آی کار (AI-KAR) با افتخار این مدل را به شما ارائه می‌دهد و امیدوار است که بتوانید از آن در پروژه‌های خود بهره‌مند شوید. این مدل برای درک و تولید زبان‌های مختلف طراحی شده است و می‌تواند به عنوان یک ابزار ارزشمند برای ارتباطات بین‌المللی و ترجمه متون مورد استفاده قرار گیرد. همچنین، مدل claude-3.7-sonnet دارای قابلیت تشخیص و تصحیح خطاها است و می‌تواند به کاربران در بهبود کیفیت متون خود کمک کند. این مدل با استفاده از الگوریتم‌های پیشرفته خود، قادر است تا اشتباهات املایی و گرامری را شناسایی کرده و پیشنهادهای مناسبی برای اصلاح آن‌ها ارائه دهد. در نهایت، مدل claude-3.7-sonnet یک ابزار جامع و کامل برای انجام وظایف مختلف است و می‌تواند به کاربران در زمینه‌های مختلفی کمک کند.

مشخصات فنی (API References)

پارامتر	نوع	توضیحات و مقادیر
model	stringRequired	مدل مورد استفاده برای تکمیل چت. مقادیر ممکن: claude-3-7-sonnet-20250219، anthropic/claude-3.7-sonnet، claude-3-7-sonnet-latest مقادیر مجاز (کلیک برای کپی):
frequency_penalty	number	عددی 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 را می‌پذیرد که توکن‌ها (مشخص شده توسط شناسه 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 بر اساس 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 احتمالات لگاریتمی توکن‌های خروجی برگردانده شوند یا خیر. اگر True باشد، احتمالات 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 هزینه‌ها برای 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 چت که برای هر پیام ورودی تولید می‌شود. توجه داشته باشید که هزینه شما بر اساس تعداد توکن‌های تولید شده در تمام انتخاب‌ها محاسبه می‌شود. n را روی 1 نگه دارید تا هزینه‌ها به حداقل برسد.
prediction	object	پیکربندی برای یک خروجی پیش‌بینی‌شده، که می‌تواند زمان‌های 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 با استفاده از رویدادهای ارسال شده از سرور به صورت جریانی به کلاینت ارسال می‌شوند.
stream_options	object	گزینه‌های مربوط به استریم کردن داده‌ها.
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 به طور کلی توصیه می‌کنیم این یا دما را تغییر دهید، اما نه هر دو.
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 به طور کلی توصیه می‌کنیم این یا top_p را تغییر دهید، اما نه هر دو.
stop	array	حداکثر 4 دنباله که API تولید توکن‌های بیشتر را متوقف می‌کند. متن بازگشتی شامل دنباله توقف نخواهد بود.
tools	array	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	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 تا 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 استدلال محدود می‌کند. در حال حاضر مقادیر پشتیبانی شده 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	پارامترهای مربوط به خروجی صوتی. زمانی مورد نیاز است که خروجی صوتی 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 برای استفاده در یک پاسخ جستجو می‌کند.

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-3.7-sonnet',
    'messages': [
        {
            'role': 'user',
            'content': 'Hello'
        }
    ]
}

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

print(response.json())

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": {
      "audio_tokens": 1,
      "cached_tokens": null,
      "image_tokens": 1,
      "pdf_tokens": 1,
      "rejected_tokens": 1,
      "total_billable_tokens": 1,
      "video_tokens": 1,
      "web_search_tokens": 1
    }
  }
}