Text Models (LLM)anthropic

معرفی و مستندات مدل هوش مصنوعی claude-4-5-sonnet

مستندات مدل claude-4-5-sonnet 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 نیاز به ویرایش داشته باشد.

مدل claude-4-5-sonnet یک مدل هوش مصنوعی پیشرفته است که توسط Anthropic توسعه یافته و از طریق پلتفرم ای آی کار (AI-KAR) در دسترس قرار گرفته است. این مدل، بهبود قابل توجهی نسبت به Claude 4 Sonnet ارائه می‌دهد و توانایی‌های کدنویسی بهتر، استدلال قوی‌تر و پاسخ‌های دقیق‌تری به دستورالعمل‌های شما دارد. این مدل برای انجام طیف گسترده‌ای از وظایف طراحی شده است، از جمله تولید متن خلاقانه، پاسخ به سوالات پیچیده، خلاصه سازی متون طولانی، ترجمه زبان‌ها، و تولید کد.

یکی از ویژگی‌های برجسته claude-4-5-sonnet، توانایی بالای آن در درک و تولید کد است. این مدل می‌تواند به زبان‌های برنامه‌نویسی مختلف کد بنویسد، اشکالات کد را شناسایی و رفع کند، و توضیحات دقیقی در مورد عملکرد کد ارائه دهد. این قابلیت، claude-4-5-sonnet را به ابزاری ارزشمند برای توسعه‌دهندگان نرم‌افزار و مهندسان تبدیل کرده است.

علاوه بر این، claude-4-5-sonnet در استدلال و حل مسئله نیز بسیار قوی است. این مدل می‌تواند مسائل پیچیده را تجزیه و تحلیل کند، الگوها را شناسایی کند، و راه‌حل‌های منطقی ارائه دهد. این قابلیت، claude-4-5-sonnet را به ابزاری مفید برای محققان، تحلیلگران، و تصمیم‌گیرندگان تبدیل کرده است.

claude-4-5-sonnet همچنین قادر است به طور دقیق به دستورالعمل‌های شما پاسخ دهد. این مدل می‌تواند لحن و سبک نوشتاری خود را بر اساس نیازهای شما تنظیم کند، و پاسخ‌هایی ارائه دهد که هم آموزنده و هم جذاب باشند. این قابلیت، claude-4-5-sonnet را به ابزاری ایده‌آل برای تولید محتوا، خدمات مشتری، و آموزش تبدیل کرده است.

به طور خلاصه، claude-4-5-sonnet یک مدل هوش مصنوعی قدرتمند و چندمنظوره است که می‌تواند در طیف گسترده‌ای از کاربردها مورد استفاده قرار گیرد. این مدل با توانایی‌های کدنویسی، استدلال، و پاسخگویی دقیق خود، ابزاری ارزشمند برای هر کسی است که به دنبال استفاده از هوش مصنوعی برای حل مشکلات و بهبود عملکرد خود است. از طریق ای آی کار (AI-KAR)، دسترسی به این مدل پیشرفته برای همه فراهم شده است.

مشخصات فنی (API References)

پارامتر	نوع	توضیحات و مقادیر
model	stringRequired	مدل مورد استفاده. مقادیر مجاز در `enum` مشخص شده‌اند. مقادیر مجاز (کلیک برای کپی):
frequency_penalty	number \| nullable	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 \| nullable	تغییر احتمال ظاهر شدن توکن‌های مشخص شده در تکمیل. یک شی JSON 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 \| nullable	مشخص می‌کند که آیا احتمال لگاریتمی توکن‌های خروجی برگردانده شوند یا خیر. اگر True باشد، احتمال لگاریتمی هر توکن خروجی برگردانده شده در محتوای پیام را برمی‌گرداند.
top_logprobs	number \| nullable	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 می‌توانند در تکمیل چت تولید شوند. 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 می‌توانند برای یک تکمیل تولید شوند، از جمله توکن‌های خروجی قابل مشاهده و توکن‌های استدلال.
n	integer \| nullable	چند انتخاب تکمیل چت برای هر پیام ورودی تولید شود. توجه داشته باشید که بر اساس تعداد توکن‌های تولید شده در تمام انتخاب‌ها هزینه دریافت خواهید کرد. n را به عنوان 1 نگه دارید تا هزینه‌ها را به حداقل برسانید.
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 \| nullable	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 طور قطعی نمونه‌برداری کند، به طوری که درخواست‌های مکرر با همان seed و پارامترها باید نتیجه یکسانی را برگردانند.
messages	one of[]Required	لیستی از پیام‌ها که مکالمه را تا کنون تشکیل می‌دهند. بسته به مدلی که استفاده می‌کنید، انواع پیام‌های مختلف ( 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 توسط سرور به صورت جریانی به کلاینت ارسال می‌شوند.
stream_options	object	گزینه‌های مربوط به استریم کردن.
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 10٪ جرم احتمال برتر را تشکیل می‌دهند 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	any of	حداکثر 4 دنباله که API تولید توکن‌های بیشتر را متوقف می‌کند. متن برگشتی شامل دنباله توقف نخواهد بود.
tools	object[]	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 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. none زمانی پیش‌فرض است که هیچ ابزاری وجود نداشته باشد. auto در صورت وجود ابزارها پیش‌فرض است. مقادیر مجاز (کلیک برای کپی):
parallel_tool_calls	boolean	مشخص می‌کند که آیا فراخوانی موازی تابع در حین استفاده از ابزار فعال شود یا خیر.
reasoning_effort	string	تلاش برای استدلال را برای مدل‌های استدلال محدود می‌کند. مقادیر پشتیبانی شده در حال حاضر low، medium و high هستند. 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	one of	یک شی که فرمتی را مشخص می‌کند که مدل باید خروجی دهد.
audio	object \| nullable	پارامترها برای خروجی صدا. مورد نیاز است زمانی که خروجی صدا با modalities: ["audio"] درخواست شود.
modalities	string \| enum[] \| nullable	انواع خروجی که می خواهید مدل تولید کند. اکثر مدل ها قادر به تولید متن هستند که پیش فرض است: ["text"] مدل gpt-4o-audio-preview همچنین می تواند برای تولید صدا استفاده شود. برای درخواست اینکه این مدل هم پاسخ های متنی و هم صوتی تولید کند، می توانید از این استفاده کنید: ["text", "audio"]
web_search_options	object	این ابزار وب را برای نتایج مرتبط برای استفاده در پاسخ جستجو می کند.

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"

payload = json.dumps({
  "model": "anthropic/claude-sonnet-4.5",
  "messages": [
    {
      "role": "user",
      "content": "Hello"
    }
  ]
})
headers = {
  'Authorization': 'Bearer <YOUR_AI-KARAPI_KEY>',
  'Content-Type': 'application/json'
}

response = requests.request("POST", url, headers=headers, data=payload)

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": {
      "audio_tokens": 1,
      "cached_tokens": 1
    }
  }
}