Text Models (LLM)deepseek

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

مستندات مدل deepseek-reasoner-v3.1-terminus 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. برای دریافت بهترین نتیجه، توصیه می‌شود از ترجمه دقیق و روان استفاده کنید.

مدل deepseek-reasoner-v3.1-terminus یک مدل استدلال‌گر قدرتمند است که توسط DeepSeek توسعه داده شده و در سپتامبر 2025 به‌روزرسانی شده است. این مدل برای تولید نتایج سازگار و قابل اعتماد طراحی شده است. این مدل به طور خاص برای انجام وظایفی که نیازمند استدلال پیچیده، حل مسئله و تولید پاسخ‌های دقیق هستند، مناسب است. با استفاده از این مدل، کاربران می‌توانند به سوالات پیچیده پاسخ دهند، مسائل منطقی را حل کنند و استدلال‌های مفصل و دقیقی ارائه دهند. این مدل با دریافت ورودی‌های متنی، قادر است تا با تحلیل عمیق و استدلال منطقی، پاسخ‌های مناسب و مرتبط را تولید کند. این مدل می‌تواند در زمینه‌های مختلفی مانند آموزش، پژوهش، توسعه نرم‌افزار و خدمات مشتریان مورد استفاده قرار گیرد. به عنوان مثال، در حوزه آموزش، این مدل می‌تواند به عنوان یک معلم خصوصی مجازی عمل کند و به دانش‌آموزان در حل مسائل درسی کمک کند. در حوزه پژوهش، این مدل می‌تواند به محققان در تحلیل داده‌ها و استخراج الگوهای پنهان کمک کند. در حوزه توسعه نرم‌افزار، این مدل می‌تواند به توسعه‌دهندگان در تولید کد و رفع اشکالات کمک کند. در حوزه خدمات مشتریان، این مدل می‌تواند به عنوان یک دستیار مجازی عمل کند و به مشتریان در حل مشکلات و پاسخ به سوالاتشان کمک کند. برای استفاده از این مدل، کاربران باید ابتدا یک حساب کاربری در وب‌سایت ای آی کار (AI-KAR) ایجاد کنند و یک کلید API تولید کنند. سپس، با استفاده از کد نمونه ارائه شده، می‌توانند درخواست‌های خود را به مدل ارسال کنند و پاسخ‌های مورد نظر را دریافت کنند. کاربران می‌توانند پارامترهای مختلفی را برای تنظیم رفتار مدل تغییر دهند، مانند حداکثر تعداد توکن‌ها، دما، و احتمال نمونه‌برداری. این مدل با ارائه قابلیت‌های استدلال قوی و پاسخ‌های دقیق، به کاربران کمک می‌کند تا به طور موثرتری به اهداف خود دست یابند. این مدل با پشتیبانی از زبان‌های مختلف برنامه‌نویسی و ارائه API ساده و قابل فهم، به کاربران امکان می‌دهد تا به راحتی از آن در پروژه‌های خود استفاده کنند. مدل deepseek-reasoner-v3.1-terminus یک ابزار قدرتمند برای حل مسائل پیچیده و تولید پاسخ‌های دقیق است و می‌تواند در زمینه‌های مختلفی مورد استفاده قرار گیرد.

مشخصات فنی (API References)

پارامتر	نوع	توضیحات و مقادیر
model	stringRequired	مدل مورد استفاده برای تکمیل چت. مقدار این پارامتر باید `deepseek/deepseek-reasoner-v3.1-terminus` باشد. مقادیر مجاز (کلیک برای کپی):
messages	one of[]Required	لیستی از پیام‌ها که مکالمه را تا کنون تشکیل می‌دهند. بسته به مدلی که استفاده می‌کنید، انواع مختلف پیام (modalities) مانند متن، اسناد (txt، pdf)، تصاویر و صدا پشتیبانی می‌شوند.
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) و با استفاده از رویدادهای ارسال شده توسط سرور (server-sent events) به کلاینت ارسال می‌شوند.
stream_options	object	تنظیمات مربوط به جریان داده (streaming).
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. به طور کلی 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 (nucleus sampling)، 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. به طور کلی 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 برگشتی 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 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	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 پاسخ‌های با احتمال پایین "long tail" 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.
n	integer	چند انتخاب تکمیل چت برای هر پیام ورودی ایجاد شود. توجه داشته باشید که هزینه شما بر اساس تعداد توکن‌های تولید شده در تمام انتخاب‌ها محاسبه می‌شود. n را 1 نگه دارید تا هزینه‌ها به حداقل برسد.

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-terminus",
        "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": "543f56cb-f59f-42cc-8ed7-8efdd72f185d",
  "system_fingerprint": "fp_ffc7281d48_prod0820_fp8_kvcache",
  "object": "chat.completion",
  "choices": [
    {
      "index": 0,
      "finish_reason": "stop",
      "logprobs": null,
      "message": {
        "role": "assistant",
        "content": "Hello! How can I assist you today? 😊",
        "reasoning_content": ""
      }
    }
  ],
  "created": 1761034613,
  "model": "deepseek-reasoner",
  "usage": {
    "prompt_tokens": 3,
    "completion_tokens": 98,
    "total_tokens": 101,
    "prompt_tokens_details": {
      "cached_tokens": 0
    },
    "completion_tokens_details": {
      "reasoning_tokens": 99
    },
    "prompt_cache_hit_tokens": 0,
    "prompt_cache_miss_tokens": 5
  }
}