Text Models (LLM)deepseek

معرفی و مستندات مدل هوش مصنوعی deepseek-reasoner-v3.2-exp-thinking

مستندات مدل deepseek-reasoner-v3.2-exp-thinking 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. درک نسبی از دستور زبان فارسی دارد اما ممکن است در تولید متون پیچیده فارسی دچار مشکل شود.

مدل deepseek-reasoner-v3.2-exp-thinking یک مدل استدلال‌گر قدرتمند است که توسط DeepSeek توسعه داده شده و توسط ای ای کار (AI-KAR) ارائه می‌شود. این مدل برای حل مسائل پیچیده، استدلال ریاضی و کمک به برنامه‌نویسی طراحی شده است. این مدل بر اساس معماری DeepSeek R1 ساخته شده و در سپتامبر 2025 به‌روزرسانی شده است. هدف اصلی این مدل، ارائه پاسخ‌های دقیق و منطقی به سوالات و درخواست‌های کاربران است. این مدل قادر است با دریافت ورودی‌های مختلف، از جمله متن، تصاویر و صدا، استدلال کرده و پاسخ مناسب را تولید کند. یکی از ویژگی‌های برجسته این مدل، توانایی آن در حل مسائل ریاضی است. این مدل می‌تواند معادلات پیچیده را حل کرده و به سوالات مربوط به ریاضیات پاسخ دهد. همچنین، این مدل می‌تواند در زمینه برنامه‌نویسی نیز به کاربران کمک کند. به عنوان مثال، این مدل می‌تواند کد تولید کرده، کد موجود را اشکال‌زدایی کرده و به سوالات مربوط به برنامه‌نویسی پاسخ دهد. برای استفاده از این مدل، ابتدا باید یک حساب کاربری در وب‌سایت ای آی کار (AI-KAR) ایجاد کنید. پس از ایجاد حساب کاربری، باید یک کلید API تولید کنید. سپس، می‌توانید از طریق API به این مدل دسترسی پیدا کنید. برای این کار، باید یک درخواست POST به آدرس `https://api.ai-kar.com/v1/chat/completions` ارسال کنید. در این درخواست، باید کلید API خود را در هدر Authorization قرار دهید و همچنین پارامترهای مورد نظر خود را در بدنه درخواست JSON قرار دهید. پارامترهای اصلی که باید در درخواست خود قرار دهید عبارتند از `model` و `messages`. پارامتر `model` باید برابر با `deepseek/deepseek-thinking-v3.2-exp` باشد. پارامتر `messages` یک لیست از پیام‌ها است که شامل نقش (role) و محتوا (content) هر پیام است. نقش می‌تواند `user` یا `assistant` باشد. محتوا نیز متن پیام است. علاوه بر این پارامترهای اصلی، می‌توانید پارامترهای اختیاری دیگری نیز در درخواست خود قرار دهید. به عنوان مثال، می‌توانید از پارامتر `max_tokens` برای محدود کردن تعداد توکن‌های تولید شده توسط مدل استفاده کنید. همچنین، می‌توانید از پارامتر `temperature` برای کنترل تصادفی بودن خروجی مدل استفاده کنید. مقادیر بالاتر باعث تصادفی‌تر شدن خروجی می‌شوند، در حالی که مقادیر پایین‌تر باعث متمرکزتر و قطعی‌تر شدن خروجی می‌شوند. مدل deepseek-reasoner-v3.2-exp-thinking یک ابزار قدرتمند برای حل مسائل پیچیده و استدلال است. با استفاده از این مدل، می‌توانید به پاسخ‌های دقیق و منطقی به سوالات خود دست پیدا کنید و در زمینه‌های مختلف، از جمله ریاضیات و برنامه‌نویسی، از آن بهره ببرید. این مدل به طور مداوم در حال بهبود است و در آینده قابلیت‌های بیشتری به آن اضافه خواهد شد. ای ای کار (AI-KAR) مفتخر است که این مدل را به کاربران خود ارائه می‌دهد و امیدوار است که این مدل بتواند به آنها در حل مسائل و دستیابی به اهدافشان کمک کند.

مشخصات فنی (API References)

پارامتر	نوع	توضیحات و مقادیر
model	stringRequired	مدل مورد استفاده برای تکمیل چت. مقدار این پارامتر باید `deepseek/deepseek-thinking-v3.2-exp` 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) با استفاده از رویدادهای ارسال شده از سرور (server-sent events) به کلاینت ارسال می‌شوند.
stream_options	object	تنظیمات مربوط به حالت جریانی (stream).
temperature	number	از چه دمای نمونه‌برداری (sampling temperature) استفاده شود. مقادیر بالاتر مانند 0.8 خروجی را تصادفی‌تر می‌کنند، در حالی که مقادیر پایین‌تر مانند 0.2 خروجی را متمرکزتر و قطعی‌تر می‌کنند. به طور کلی توصیه می‌کنیم این پارامتر 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 پارامتر یا temperature را تغییر دهید، اما نه هر دو را.
stop	any of	حداکثر 4 دنباله که API تولید توکن‌های بیشتر را در آن متوقف می‌کند. متن بازگشتی شامل دنباله توقف نخواهد بود.
frequency_penalty	number \| nullable	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، به شدت بهبود بخشد.
presence_penalty	number \| nullable	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 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.
echo	boolean	اگر True باشد، پاسخ شامل prompt خواهد بود. می‌توان از آن با logprobs برای برگرداندن logprobs مربوط به prompt استفاده کرد.
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 "دنباله بلند" استفاده می‌شود. فقط برای موارد استفاده پیشرفته توصیه می‌شود. معمولاً فقط باید از temperature استفاده کنید.
repetition_penalty	number \| nullable	عددی که تنوع متن تولید شده را با کاهش احتمال تکرار دنباله‌های تکراری کنترل می‌کند. مقادیر بالاتر تکرار را کاهش می‌دهند.
logit_bias	object \| nullable	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 \| nullable	چند انتخاب تکمیل چت برای هر پیام ورودی ایجاد شود. توجه داشته باشید که بر اساس تعداد توکن‌های تولید شده در تمام انتخاب‌ها هزینه دریافت خواهید کرد. 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-thinking-v3.2-exp",
        "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
  }
}