Text Models (LLM)deepseek
معرفی و مستندات مدل هوش مصنوعی deepseek-chat-v3.1
مستندات مدل deepseek-chat-v3.1 ارائه شده توسط ای ای کار (AI-KAR)
معرفی و بررسی فنی
⚡ وضعیت پشتیبانی از زبان فارسی
این مدل از زبان فارسی به صورت متوسط پشتیبانی میکند و در درک مفاهیم پیچیده و ظریف ممکن است با مشکل مواجه شود.
مدل deepseek-chat-v3.1 یک مدل زبان بزرگ (LLM) است که توسط DeepSeek توسعه داده شده است. این مدل برای انجام مکالمات تعاملی و ارائه پاسخهای متنی طراحی شده است. این مدل میتواند در طیف گستردهای از کاربردها مورد استفاده قرار گیرد، از جمله پاسخ به سوالات، تولید متن خلاقانه، ترجمه زبان، و خلاصهسازی متون. deepseek-chat-v3.1 بر اساس معماری ترانسفورمر ساخته شده است و با استفاده از مجموعه دادههای عظیمی از متن و کد آموزش داده شده است. این مدل قادر است الگوها و روابط پیچیده در زبان را یاد بگیرد و از این دانش برای تولید متنهای منسجم و مرتبط استفاده کند.
یکی از ویژگیهای کلیدی deepseek-chat-v3.1 توانایی آن در درک و پاسخ به سوالات به شیوهای طبیعی و انسانی است. این مدل میتواند سوالات را تجزیه و تحلیل کند، اطلاعات مربوطه را از دانش خود استخراج کند، و پاسخهایی دقیق و کامل ارائه دهد. علاوه بر این، deepseek-chat-v3.1 میتواند متنهای خلاقانه مانند شعر، کد، فیلمنامه، قطعات موسیقی، ایمیل، نامه و غیره تولید کند. این مدل میتواند با سبکها و قالبهای مختلف سازگار شود و متنهایی را تولید کند که از نظر زیباییشناختی و محتوایی جذاب باشند.
مدل deepseek-chat-v3.1 همچنین میتواند زبانهای مختلف را ترجمه کند. این مدل میتواند متن را از یک زبان به زبان دیگر ترجمه کند و در عین حال معنا و لحن اصلی متن را حفظ کند. این قابلیت میتواند برای تسهیل ارتباطات بینالمللی و دسترسی به اطلاعات در سراسر جهان بسیار مفید باشد. علاوه بر این، deepseek-chat-v3.1 میتواند متون طولانی را خلاصه کند. این مدل میتواند اطلاعات کلیدی را از یک متن استخراج کند و خلاصهای مختصر و مفید ارائه دهد. این قابلیت میتواند برای صرفهجویی در وقت و تلاش کاربران بسیار ارزشمند باشد.
به طور خلاصه، deepseek-chat-v3.1 یک مدل زبان بزرگ قدرتمند و انعطافپذیر است که میتواند در طیف گستردهای از کاربردها مورد استفاده قرار گیرد. این مدل با تواناییهای خود در درک زبان، تولید متن خلاقانه، ترجمه زبان، و خلاصهسازی متون، میتواند به کاربران در انجام وظایف مختلف کمک کند و بهرهوری آنها را افزایش دهد. این مدل به طور مداوم در حال بهبود است و انتظار میرود که در آینده قابلیتهای بیشتری را ارائه دهد. استفاده از این مدل از طریق API ارائه شده توسط ای ای کار (AI-KAR) به سادگی امکان پذیر است.
مشخصات فنی (API References)
| پارامتر | نوع | توضیحات و مقادیر |
|---|---|---|
model | stringRequired | نام مدلی که میخواهید استفاده کنید. مقادیر مجاز (کلیک برای کپی): |
messages | one of[]Required | لیستی از پیامها که مکالمه را تا این لحظه تشکیل میدهند. بسته به مدلی که استفاده میکنید، انواع مختلفی از پیامها (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، شامل توکنهای خروجی قابل مشاهده و توکنهای استدلال. |
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. |
stream | boolean | اگر روی True تنظیم شود، دادههای پاسخ مدل به صورت جریانی (stream) با استفاده از رویدادهای ارسال شده توسط سرور به کلاینت ارسال میشوند. مقادیر مجاز (کلیک برای کپی): |
stream_options | object | تنظیمات مربوط به استریم کردن. |
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 توکنهای با جرم احتمال top_p را 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 temperature 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 همان 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، تا حد زیادی بهبود بخشد. |
presence_penalty | number | مقادیر مثبت، توکنهای جدید را بر اساس اینکه آیا در متن تا کنون ظاهر شدهاند جریمه میکنند، و احتمال صحبت کردن مدل در مورد موضوعات جدید 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. |
echo | boolean | اگر True باشد، پاسخ شامل prompt خواهد بود. میتواند با logprobs برای برگرداندن logprobs prompt استفاده شود. |
min_p | number | عددی بین 0.001 و 0.999 که میتواند به عنوان جایگزینی برای top_p و top_k استفاده شود. |
top_k | number | فقط از K گزینه برتر برای هر توکن بعدی نمونهبرداری کنید. برای حذف "دنباله طولانی" پاسخهای با احتمال کم استفاده میشود. فقط برای موارد استفاده پیشرفته توصیه میشود. معمولاً فقط باید از temperature استفاده کنید. |
repetition_penalty | number | عددی که تنوع متن تولید شده را با کاهش احتمال تکرار دنبالههای تکراری کنترل میکند. مقادیر بالاتر تکرار را کاهش میدهند. |
logit_bias | object | احتمال ظاهر شدن توکنهای مشخص شده در تکمیل را تغییر دهید. یک شی JSON را میپذیرد که توکنها (مشخص شده توسط شناسه توکن آنها در tokenizer) 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 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. |
top_a | number | پارامتر نمونهبرداری برتر جایگزین. |
response_format | one of | شیئی که فرمتی را مشخص میکند که مدل باید خروجی دهد. |
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":"deepseek/deepseek-chat-v3.1",
"messages":[
{
"role":"user",
"content":"Hello" # insert your prompt here, instead of Hello
}
],
}
)
data = response.json()
print(json.dumps(data, indent=2, ensure_ascii=False))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
}
}
}