Text Models (LLM)anthropic

معرفی و مستندات مدل هوش مصنوعی claude-opus-4.1

مستندات مدل claude-opus-4.1 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 متون فارسی در سطح خوبی قرار دارد، اما ممکن است در تولید متون پیچیده و تخصصی فارسی، نیاز به ویرایش داشته باشد.

معرفی مدل claude-opus-4.1

مدل claude-opus-4.1 یک مدل هوش مصنوعی پیشرفته است که توسط Anthropic توسعه یافته و در پلتفرم ای آی کار (AI-KAR) ارائه شده است. این مدل به عنوان ارتقاء یافته Claude Opus 4، در انجام وظایف agentic، کدنویسی در دنیای واقعی و تفکر، عملکرد بهتری دارد. این مدل برای درک و تولید متن با کیفیت بالا، پاسخگویی به سوالات پیچیده، تولید کد، ترجمه زبان‌ها و انجام طیف گسترده‌ای از وظایف دیگر طراحی شده است.

قابلیت‌های کلیدی

درک زبان طبیعی (NLU): مدل claude-opus-4.1 قادر است متن را به خوبی درک کرده و مفاهیم و روابط بین کلمات را تشخیص دهد. این قابلیت به آن امکان می‌دهد تا به سوالات کاربران به طور دقیق و مرتبط پاسخ دهد.
تولید زبان طبیعی (NLG): این مدل می‌تواند متون با کیفیت بالا و روان تولید کند. این متون می‌توانند شامل پاسخ به سوالات، خلاصه سازی متون، تولید محتوای خلاقانه و موارد دیگر باشند.
کدنویسی: claude-opus-4.1 در کدنویسی مهارت بالایی دارد و می‌تواند کد را در زبان‌های مختلف برنامه نویسی تولید و اشکال زدایی کند. این قابلیت برای توسعه دهندگان نرم افزار بسیار مفید است.
استدلال و حل مسئله: این مدل قادر است مسائل پیچیده را تحلیل کرده و با استفاده از استدلال منطقی، راه حل‌های مناسب را ارائه دهد.
ترجمه زبان: claude-opus-4.1 می‌تواند متون را بین زبان‌های مختلف ترجمه کند.
خلاصه سازی متون: این مدل می‌تواند متون طولانی را به طور خلاصه و مفید ارائه دهد.
تولید محتوای خلاقانه: claude-opus-4.1 می‌تواند محتوای خلاقانه مانند شعر، داستان و فیلمنامه تولید کند.

کاربردهای مدل

مدل claude-opus-4.1 در زمینه‌های مختلف کاربرد دارد، از جمله:

خدمات مشتری: پاسخگویی به سوالات مشتریان، حل مشکلات و ارائه راهنمایی.
آموزش: ارائه آموزش‌های شخصی سازی شده، پاسخگویی به سوالات دانش آموزان و دانشجویان.
تولید محتوا: تولید محتوای وب، مقالات، گزارش‌ها و سایر اسناد.
تحقیق و توسعه: کمک به محققان در تحلیل داده‌ها، تولید فرضیه‌ها و نوشتن مقالات علمی.
توسعه نرم افزار: تولید کد، اشکال زدایی و مستندسازی کد.

نحوه استفاده از مدل در ای آی کار (AI-KAR)

برای استفاده از مدل claude-opus-4.1 در پلتفرم ای آی کار (AI-KAR)، کافی است یک حساب کاربری ایجاد کرده و کلید API خود را دریافت کنید. سپس می‌توانید با استفاده از API، درخواست‌های خود را به مدل ارسال کرده و پاسخ‌های مورد نظر را دریافت کنید. ای آی کار (AI-KAR) مستندات کاملی را برای استفاده از API ارائه می‌دهد که به شما در شروع کار کمک می‌کند.

مشخصات فنی (API References)

پارامتر	نوع	توضیحات و مقادیر
model	stringRequired	مدل مورد استفاده. مقادیر مجاز: claude-opus-4-1-20250805, anthropic/claude-opus-4.1, claude-opus-4-1 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 یک خط به صورت عینی توسط مدل کاهش می‌یابد.
logit_bias	object \| nullable	تغییر احتمال ظاهر شدن توکن‌های مشخص شده در تکمیل. یک شی JSON را می‌پذیرد که توکن‌ها (مشخص شده توسط ID توکن آنها در توکن‌ساز) 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 بسته به 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	اینکه آیا احتمال ورود به سیستم توکن های خروجی برگردانده شود یا خیر. اگر درست باشد، احتمال ورود به سیستم هر توکن خروجی برگردانده شده در محتوای پیام را برمی گرداند.
top_logprobs	number \| nullable	یک عدد صحیح بین 0 و 20 که تعداد محتمل ترین توکن ها را برای بازگشت در هر موقعیت توکن مشخص می کند، هر کدام با یک احتمال ورود به سیستم مرتبط. اگر از 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	یک حد بالایی برای تعداد توکن هایی که می توانند برای یک تکمیل ایجاد شوند، از جمله توکن های خروجی قابل مشاهده و توکن های استدلال.
n	integer \| nullable	چند انتخاب تکمیل چت برای هر پیام ورودی تولید شود. توجه داشته باشید که بر اساس تعداد توکن های تولید شده در تمام انتخاب ها، هزینه دریافت خواهید کرد. n را 1 نگه دارید تا هزینه ها به حداقل برسد.
prediction	object	پیکربندی برای یک خروجی پیش بینی شده، که می تواند زمان پاسخ را در زمانی که بخش های بزرگی از پاسخ مدل از قبل شناخته شده است، 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 مدل در مورد موضوعات جدید افزایش می‌یابد.
seed	integer	این ویژگی در نسخه بتا است. اگر مشخص شود، سیستم ما تمام تلاش خود را می کند تا به طور قطعی نمونه برداری کند، به طوری که درخواست های مکرر با همان دانه و پارامترها باید نتیجه یکسانی را برگردانند.
messages	one of[]Required	لیستی از پیام هایی که مکالمه را تا کنون تشکیل می دهند. بسته به مدلی که استفاده می کنید، انواع مختلف پیام (روش ها) پشتیبانی می شوند، مانند متن، اسناد (txt، pdf)، تصاویر و صدا.
stream	boolean	اگر روی True تنظیم شود، داده های پاسخ مدل با استفاده از رویدادهای ارسال شده از سرور به مشتری منتقل می شود.
stream_options	object	گزینه های جریان
top_p	number	جایگزینی برای نمونه برداری با دما، به نام نمونه برداری هسته ای، که در آن مدل نتایج توکن ها را با جرم احتمال top_p در نظر می گیرد. بنابراین 0.1 به این معنی است که فقط توکن هایی که 10٪ جرم احتمال برتر را تشکیل می دهند در نظر گرفته می شوند. ما به طور کلی توصیه می کنیم این یا دما را تغییر دهید اما نه هر دو.
temperature	number	از چه دمای نمونه برداری استفاده شود. مقادیر بالاتر مانند 0.8 خروجی را تصادفی تر می کند، در حالی که مقادیر پایین تر مانند 0.2 آن را متمرکزتر و قطعی تر می کند. ما به طور کلی توصیه می کنیم این یا top_p را تغییر دهید اما نه هر دو.
stop	any of	حداکثر 4 دنباله که API تولید توکن های بیشتر را متوقف می کند. متن برگردانده شده 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 می شوند. از این برای ارائه لیستی از توابعی که مدل ممکن است ورودی های JSON را برای آنها تولید کند استفاده کنید. حداکثر 128 تابع پشتیبانی می شود.
tool_choice	any of	کنترل می کند که کدام ابزار (در صورت وجود) توسط مدل فراخوانی می شود. none به این معنی است که مدل هیچ ابزاری را فراخوانی نمی کند و در عوض یک پیام تولید می کند. auto به این معنی است که مدل می تواند 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. مشخص کردن یک ابزار خاص از طریق {"type": "function", "function": {"name": "my_function"}} مدل را مجبور می کند تا آن ابزار را فراخوانی کند. none زمانی پیش فرض است که هیچ ابزاری وجود نداشته باشد. auto در صورت وجود ابزارها پیش فرض است. مقادیر مجاز (کلیک برای کپی):
parallel_tool_calls	boolean	اینکه آیا تماس های تابع موازی را در طول استفاده از ابزار فعال کنیم یا خیر.
reasoning_effort	string	تلاش برای استدلال برای مدل های استدلال را محدود می کند. مقادیر پشتیبانی شده در حال حاضر کم، متوسط و زیاد هستند. کاهش تلاش استدلال می تواند منجر به پاسخ های سریع تر و توکن های کمتری شود که در استدلال در یک پاسخ استفاده می شود. مقادیر مجاز (کلیک برای کپی):
response_format	one of	یک شی که قالبی را مشخص می کند که مدل باید خروجی دهد.
audio	object \| nullable	پارامترها برای خروجی صدا. هنگام درخواست خروجی صدا با modalities: ["audio"] مورد نیاز است.
modalities	string	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: ["text", "audio"] استفاده کنید.
web_search_options	object	این ابزار وب را برای نتایج مرتبط برای استفاده در یک 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'
headers = {
    'Authorization': 'Bearer <YOUR_AI-KARAPI_KEY>',
    'Content-Type': 'application/json'
}
data = {
    'model': 'anthropic/claude-opus-4.1',
    'messages': [
        {
            'role': 'user',
            'content': 'Hello'
        }
    ]
}

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

if response.status_code == 200:
    print(response.json())
else:
    print(f'Request failed with status code {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": {
      "audio_tokens": 1,
      "cached_tokens": 1
    }
  }
}