Text Models (LLM)minimax
معرفی و مستندات مدل هوش مصنوعی m2
مستندات مدل m2 از ای آی کار (AI-KAR)
معرفی و بررسی فنی
⚡ وضعیت پشتیبانی از زبان فارسی
این مدل از زبان فارسی به صورت متوسط پشتیبانی میکند. درک متون فارسی و تولید پاسخهای مرتبط امکانپذیر است، اما ممکن است در برخی موارد نیاز به اصلاح و بهبود داشته باشد.
مدل m2 یک مدل زبانی با کارایی بالا است که برای کدنویسی و گردشکارهای عامل خودکار بهینه شده است. این مدل قادر است متن را درک کرده و پاسخهای مناسب تولید کند، کد تولید کند، و به عنوان یک دستیار هوشمند در انجام وظایف مختلف به شما کمک کند. مدل m2 از API ای آی کار (AI-KAR) قابل دسترسی است و به راحتی میتوان آن را در برنامههای مختلف ادغام کرد. این مدل برای توسعهدهندگان، محققان و شرکتهایی که به دنبال یک راه حل قدرتمند برای پردازش زبان طبیعی و تولید کد هستند، ایدهآل است.
ویژگیهای کلیدی:
کاربردها:
با استفاده از مدل m2، میتوانید به طور قابل توجهی کارایی و بهرهوری خود را افزایش دهید و به نتایج بهتری در پروژههای خود دست یابید. این مدل یک ابزار قدرتمند است که میتواند به شما در دستیابی به اهدافتان کمک کند.
ویژگیهای کلیدی:
- کارایی بالا: مدل m2 با استفاده از تکنیکهای پیشرفته بهینهسازی شده است تا سرعت و دقت بالایی را در پردازش زبان طبیعی ارائه دهد.
- تولید کد: این مدل قادر است کد را در زبانهای برنامهنویسی مختلف تولید کند، که میتواند به توسعهدهندگان در تسریع فرآیند توسعه نرمافزار کمک کند.
- گردشکارهای عامل خودکار: مدل m2 میتواند به عنوان یک عامل خودکار در انجام وظایف مختلف مورد استفاده قرار گیرد، مانند پاسخگویی به سوالات، تولید محتوا، و انجام تحقیقات.
- پشتیبانی از زبانهای مختلف: این مدل از زبانهای مختلف پشتیبانی میکند، که آن را برای استفاده در پروژههای بینالمللی مناسب میسازد.
- ادغام آسان: مدل m2 به راحتی میتواند در برنامههای مختلف ادغام شود، که آن را برای استفاده در پروژههای مختلف مناسب میسازد.
کاربردها:
- توسعه نرمافزار: مدل m2 میتواند به توسعهدهندگان در تولید کد، اشکالزدایی کد، و مستندسازی کد کمک کند.
- خدمات مشتری: این مدل میتواند برای پاسخگویی به سوالات مشتریان، ارائه پشتیبانی فنی، و حل مشکلات مشتریان مورد استفاده قرار گیرد.
- تولید محتوا: مدل m2 میتواند برای تولید محتوای متنی، مانند مقالات، پستهای وبلاگ، و توضیحات محصول مورد استفاده قرار گیرد.
- تحقیقات: این مدل میتواند برای انجام تحقیقات در زمینههای مختلف، مانند پردازش زبان طبیعی، یادگیری ماشین، و هوش مصنوعی مورد استفاده قرار گیرد.
با استفاده از مدل m2، میتوانید به طور قابل توجهی کارایی و بهرهوری خود را افزایش دهید و به نتایج بهتری در پروژههای خود دست یابید. این مدل یک ابزار قدرتمند است که میتواند به شما در دستیابی به اهدافتان کمک کند.
مشخصات فنی (API References)
| پارامتر | نوع | توضیحات و مقادیر |
|---|---|---|
model | stringRequired | نام مدلی که میخواهید استفاده کنید. مقدار معتبر: minimax/m2 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 هزینهها برای متن تولید شده از طریق API استفاده شود. |
stream | boolean | اگر روی True تنظیم شود، دادههای پاسخ مدل به صورت جریانی (streamed) به کلاینت ارسال میشوند، با استفاده از رویدادهای ارسال شده از سرور (server-sent events). |
stream_options | object | تنظیمات مربوط به استریم کردن پاسخ. |
tools | object[] | لیستی از ابزارهایی که مدل میتواند فراخوانی کند. در حال حاضر، فقط توابع به عنوان ابزار پشتیبانی میشوند. از این برای ارائه لیستی از توابعی استفاده کنید که مدل میتواند 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 که آن ابزار را فراخوانی کند. مقادیر مجاز (کلیک برای کپی): |
parallel_tool_calls | boolean | تعیین اینکه آیا فراخوانی همزمان توابع در هنگام استفاده از ابزار فعال شود یا خیر. |
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 خروجی را متمرکزتر و قطعیتر میکنند. ما عموماً 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 که شامل 10٪ جرم احتمال برتر هستند در نظر گرفته میشوند. |
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 مدل در مورد موضوعات جدید را افزایش میدهند. |
seed | integer | 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. |
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":"minimax/m2",
"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": "0557b8f7fa197172a75531a82ae6c887",
"object": "chat.completion",
"choices": [
{
"index": 0,
"finish_reason": "stop",
"message": {
"role": "assistant",
"content": "<think>\nThe user says \"Hello\". This is a simple greeting. There's no request. According to policy, we respond politely, perhaps ask how we can help. So answer \"Hello! How can I assist you today?\" Should keep tone friendly.\n\nThus final answer.\n</think>\n\nHello! How can I help you today?"
}
}
],
"created": 1762166263,
"model": "MiniMax-M2",
"usage": {
"prompt_tokens": 26,
"completion_tokens": 159,
"total_tokens": 185
}
}