Text Models (LLM)google
معرفی و مستندات مدل هوش مصنوعی gemini-2.0-flash
مستندات مدل gemini-2.0-flash از Google DeepMind، 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 مطلب و تولید متن فارسی توسط این مدل قابل قبول است، اما ممکن است در برخی موارد با خطا مواجه شود.
مدل gemini-2.0-flash یک مدل هوش مصنوعی چندوجهی پیشرفته است که توسط Google DeepMind توسعه یافته و برای توانمندسازی تجربیات عاملمحور طراحی شده است. این مدل قادر به پردازش متن و تصاویر است و میتواند در طیف گستردهای از کاربردها مورد استفاده قرار گیرد. از جمله کاربردهای این مدل میتوان به موارد زیر اشاره کرد:
- **خلاصهسازی متن:** این مدل میتواند متون طولانی را به خلاصههای کوتاه و مفید تبدیل کند.
- **ترجمه زبان:** این مدل میتواند متون را از یک زبان به زبان دیگر ترجمه کند.
- **تولید متن:** این مدل میتواند متون جدیدی را بر اساس ورودیهای داده شده تولید کند.
- **پاسخ به سوالات:** این مدل میتواند به سوالات مطرح شده در مورد یک متن پاسخ دهد.
- **تولید کد:** این مدل میتواند کد برنامهنویسی را بر اساس توضیحات داده شده تولید کند.
- **تولید محتوای خلاقانه:** این مدل میتواند محتوای خلاقانه مانند شعر، داستان و فیلمنامه تولید کند.
- **درک تصاویر:** این مدل میتواند محتوای تصاویر را درک کرده و به سوالات مربوط به آنها پاسخ دهد.
برای استفاده از این مدل، ابتدا باید یک حساب کاربری در وبسایت ای آی کار (AI-KAR) ایجاد کنید و یک کلید API تولید کنید. سپس میتوانید از طریق API به این مدل دسترسی پیدا کنید. پارامترهای مختلفی برای کنترل رفتار مدل وجود دارد که میتوانید آنها را در درخواست خود تنظیم کنید. پارامترهای اجباری شامل `model` و `messages` هستند، اما پارامترهای اختیاری دیگری نیز وجود دارند که میتوانید برای تنظیم دقیقتر رفتار مدل از آنها استفاده کنید.
مدل gemini-2.0-flash با هدف ارائه عملکرد بالا با کمترین تأخیر طراحی شده است، که آن را برای برنامههای کاربردی حساس به زمان ایدهآل میسازد. این مدل با پشتیبانی از پردازش چندوجهی، امکان ایجاد تعاملات غنی و بصری را فراهم میکند و به توسعهدهندگان اجازه میدهد تا راهحلهای نوآورانهای را در زمینههای مختلف ایجاد کنند. با استفاده از این مدل، میتوانید به سرعت و به آسانی برنامههای کاربردی هوش مصنوعی قدرتمندی را توسعه دهید.
این مدل به طور مداوم در حال بهبود است و ویژگیهای جدیدی به آن اضافه میشود. برای اطلاع از آخرین تغییرات و بهروزرسانیها، به مستندات API مراجعه کنید.
مشخصات فنی (API References)
| پارامتر | نوع | توضیحات و مقادیر |
|---|---|---|
model | stringRequired | مدل مورد استفاده برای تکمیل چت. مقدار آن باید `google/gemini-2.0-flash` 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_completion_tokens | integer | حد بالایی برای تعداد توکنهایی که میتوان برای یک تکمیل تولید کرد، از جمله توکنهای خروجی قابل مشاهده و توکنهای استدلال. حداقل مقدار: 1 |
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. حداقل مقدار: 1 |
stream | boolean | اگر روی True تنظیم شود، دادههای پاسخ مدل با استفاده از رویدادهای ارسال شده توسط سرور (server-sent events) به صورت جریانی به کلاینت ارسال میشوند. مقدار پیشفرض: false |
stream_options | object | تنظیمات مربوط به استریم کردن. |
n | integer | nullable | تعداد انتخابهای تکمیل چت که برای هر پیام ورودی باید تولید شود. توجه داشته باشید که هزینه شما بر اساس تعداد توکنهای تولید شده در تمام انتخابها محاسبه میشود. مقدار n را 1 نگه دارید تا هزینهها را به حداقل برسانید. |
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 توکنها را با جرم احتمال top_p در نظر میگیرد. بنابراین 0.1 به این معنی است که فقط توکنهایی در نظر گرفته میشوند که 10٪ جرم احتمال برتر را تشکیل میدهند. 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 | 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، تا حد زیادی 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 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. حداقل مقدار: 1 |
response_format | one of | شیئی که فرمتی را مشخص میکند که مدل باید خروجی دهد. |
tools | object[] | لیستی از ابزارهایی که مدل ممکن است فراخوانی کند. در حال حاضر، فقط توابع به عنوان یک ابزار پشتیبانی میشوند. از این برای ارائه لیستی از توابعی استفاده کنید که مدل ممکن است ورودیهای JSON را برای آنها تولید کند. حداکثر 128 تابع پشتیبانی میشود. |
tool_choice | any of | کنترل میکند که کدام ابزار (در صورت وجود) توسط مدل فراخوانی شود. none به این معنی است که مدل هیچ ابزاری را فراخوانی نمیکند و در عوض یک پیام تولید میکند. auto به این معنی است که مدل میتواند 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. تعیین یک ابزار خاص از طریق {"type": "function", "function": {"name": "my_function"}} مدل را مجبور میکند تا آن ابزار را فراخوانی کند. none مقدار پیشفرض زمانی است که هیچ ابزاری وجود نداشته باشد. auto مقدار پیشفرض در صورت وجود ابزار است. مقادیر مجاز (کلیک برای کپی): |
parallel_tool_calls | boolean | اینکه آیا فراخوانی تابع موازی را در طول استفاده از ابزار فعال کنیم یا خیر. |
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":"google/gemini-2.0-flash",
"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
}
}
}