Text Models (LLM)deepseek

معرفی و مستندات مدل هوش مصنوعی deepseek-reasoner-v3.1

مستندات مدل deepseek-reasoner-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.

مدل deepseek-reasoner-v3.1 یک مدل استدلال قوی است که توسط DeepSeek توسعه داده شده و توسط ای ای کار (AI-KAR) ارائه شده است. این مدل برای حل مسائل پیچیده، استدلال ریاضی و کمک به برنامه نویسی طراحی شده است. این مدل با استفاده از معماری پیشرفته و داده های آموزشی گسترده، قادر است به سوالات پیچیده پاسخ دهد، مسائل ریاضی را حل کند و در تولید کد به برنامه نویسان کمک کند. deepseek-reasoner-v3.1 می تواند در طیف گسترده ای از کاربردها مورد استفاده قرار گیرد، از جمله: پاسخ به سوالات، تولید متن، ترجمه زبان، خلاصه سازی متن، حل مسائل ریاضی، تولید کد، اشکال زدایی کد و غیره. این مدل به ویژه در مواردی که نیاز به استدلال منطقی و حل مسئله وجود دارد، عملکرد خوبی از خود نشان می دهد. برای مثال، می توان از آن برای حل مسائل پیچیده در زمینه های مختلف مانند علوم، مهندسی و اقتصاد استفاده کرد. همچنین می توان از آن برای تولید کد با کیفیت بالا در زبان های برنامه نویسی مختلف استفاده کرد. یکی از ویژگی های کلیدی deepseek-reasoner-v3.1 توانایی آن در یادگیری از داده ها است. این مدل به طور مداوم در حال یادگیری و بهبود است و می تواند با گذشت زمان عملکرد بهتری از خود نشان دهد. این امر آن را به یک ابزار ارزشمند برای محققان و توسعه دهندگان تبدیل می کند. برای استفاده از deepseek-reasoner-v3.1، می توانید از API ارائه شده توسط ای ای کار (AI-KAR) استفاده کنید. این API به شما امکان می دهد تا به راحتی با مدل تعامل داشته باشید و از قابلیت های آن در برنامه های خود استفاده کنید. برای شروع، می توانید یک حساب کاربری در وب سایت ای ای کار (AI-KAR) ایجاد کنید و یک کلید API دریافت کنید. سپس می توانید از کد نمونه ارائه شده در این مستندات برای ارسال درخواست به API استفاده کنید. deepseek-reasoner-v3.1 یک مدل قدرتمند و انعطاف پذیر است که می تواند در طیف گسترده ای از کاربردها مورد استفاده قرار گیرد. با استفاده از این مدل، می توانید به راحتی مسائل پیچیده را حل کنید، کد با کیفیت بالا تولید کنید و در زمان و هزینه خود صرفه جویی کنید.

مشخصات فنی (API References)

پارامتر	نوع	توضیحات و مقادیر
model	stringRequired	نام مدلی که باید استفاده شود. مقدار معتبر: deepseek/deepseek-reasoner-v3.1 مقادیر مجاز (کلیک برای کپی):
messages	one of[]Required	لیستی از پیام ها که مکالمه را تا کنون تشکیل می دهند. بسته به مدلی که استفاده می کنید، انواع مختلف پیام (modalities) مانند متن، اسناد (txt, pdf)، تصاویر و صدا پشتیبانی می شوند.
max_tokens	number	حداکثر تعداد توکن هایی که می توانند در تکمیل چت تولید شوند. این مقدار می تواند برای کنترل هزینه های متن تولید شده از طریق API استفاده شود.
stream	boolean	اگر روی True تنظیم شود، داده های پاسخ مدل به صورت جریانی (stream) با استفاده از رویدادهای ارسال شده از سرور (server-sent events) به کلاینت ارسال می شود. مقادیر مجاز (کلیک برای کپی):
stream_options	object	تنظیمات مربوط به استریم کردن.
temperature	number	چه دمای نمونه برداری (sampling temperature) استفاده شود. مقادیر بالاتر مانند 0.8 خروجی را تصادفی تر می کنند، در حالی که مقادیر پایین تر مانند 0.2 خروجی را متمرکزتر و قطعی تر می کنند. به طور کلی توصیه می کنیم این مقدار یا top_p را تغییر دهید، اما نه هر دو را.
top_p	number	جایگزینی برای نمونه برداری با دما، به نام نمونه برداری هسته ای (nucleus sampling)، 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 شامل 10٪ جرم احتمال برتر هستند در نظر گرفته می شوند. به طور کلی توصیه می کنیم این مقدار یا temperature را تغییر دهید، اما نه هر دو را.
stop	any of	حداکثر 4 دنباله که API تولید توکن های بیشتر را متوقف می کند. متن بازگشتی شامل دنباله توقف نخواهد بود.
frequency_penalty	number	عددی بین -2.0 و 2.0. مقادیر مثبت، توکن های جدید را بر اساس فراوانی موجود آنها در متن تا کنون جریمه می کنند، و احتمال تکرار یک خط عینا توسط مدل را کاهش می دهند.
prediction	object	پیکربندی برای یک خروجی پیش بینی شده، که می تواند زمان پاسخ را تا حد زیادی بهبود بخشد زمانی که بخش های بزرگی از پاسخ مدل از قبل مشخص باشد.
presence_penalty	number	مقادیر مثبت، توکن های جدید را بر اساس اینکه آیا در متن تا کنون ظاهر شده اند جریمه می کنند، و احتمال صحبت کردن مدل در مورد موضوعات جدید را افزایش می دهند.
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 seed و پارامترها باید نتیجه یکسانی را برگردانند.
echo	boolean	اگر True باشد، پاسخ شامل prompt خواهد بود. می توان از آن با logprobs برای برگرداندن logprobs prompt استفاده کرد. مقادیر مجاز (کلیک برای کپی):
min_p	number	عددی بین 0.001 و 0.999 که می تواند به عنوان جایگزینی برای top_p و top_k استفاده شود.
top_k	number	فقط از K گزینه برتر برای هر توکن بعدی نمونه برداری کنید. برای حذف پاسخ های کم احتمال "long tail" استفاده می شود. فقط برای موارد استفاده پیشرفته توصیه می شود. معمولاً فقط باید از temperature استفاده کنید.
repetition_penalty	number	عددی که تنوع متن تولید شده را با کاهش احتمال تکرار دنباله ها کنترل می کند. مقادیر بالاتر تکرار را کاهش می دهند.
logit_bias	object	احتمال ظاهر شدن توکن های مشخص شده در تکمیل را تغییر دهید. یک شی JSON را می پذیرد که توکن ها (مشخص شده توسط شناسه توکن آنها در tokenizer) را به یک مقدار بایاس مرتبط از -100 تا 100 نگاشت می کند. از نظر ریاضی، بایاس به logits تولید شده توسط مدل قبل از نمونه برداری اضافه می شود. 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.
n	integer	چند انتخاب تکمیل چت برای هر پیام ورودی تولید شود. توجه داشته باشید که هزینه شما بر اساس تعداد توکن های تولید شده در تمام انتخاب ها محاسبه می شود. n را به عنوان 1 نگه دارید تا هزینه ها را به حداقل برسانید.

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-reasoner-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": "ca664281-d3c3-40d3-9d80-fe96a65884dd",
  "system_fingerprint": "fp_feb633d1f5_prod0820_fp8_kvcache",
  "object": "chat.completion",
  "choices": [
    {
      "index": 0,
      "finish_reason": "stop",
      "logprobs": null,
      "message": {
        "role": "assistant",
        "content": "Hello! How can I help you today? 😊",
        "reasoning_content": ""
      }
    }
  ],
  "created": 1756386069,
  "model": "deepseek-reasoner",
  "usage": {
    "prompt_tokens": 1,
    "completion_tokens": 325,
    "total_tokens": 326,
    "prompt_tokens_details": {
      "cached_tokens": 0
    },
    "completion_tokens_details": {
      "reasoning_tokens": 80
    },
    "prompt_cache_hit_tokens": 0,
    "prompt_cache_miss_tokens": 5
  }
}