Text Models (LLM)openai

معرفی و مستندات مدل هوش مصنوعی gpt-5-1-codex

مستندات مدل gpt-5-1-codex ارائه شده توسط ای ای کار (AI-KAR) برای مهندسی نرم‌افزار و گردش‌کارهای کدنویسی.

معرفی و بررسی فنی

⚡ وضعیت پشتیبانی از زبان فارسی

این مدل از زبان فارسی به صورت متوسط پشتیبانی می‌کند. درک دستورات فارسی در حوزه کدنویسی و مهندسی نرم‌افزار قابل قبول است، اما ممکن است در تولید متون پیچیده فارسی با مشکل مواجه شود.

مدل gpt-5-1-codex یک نسخه تخصصی از GPT 5.1 است که برای مهندسی نرم‌افزار و گردش‌کارهای کدنویسی ساخته شده است. این مدل در هر دو حالت تعاملی و اجرای طولانی و مستقل وظایف پیچیده مهندسی عملکرد عالی دارد. این مدل می‌تواند پروژه‌ها را از ابتدا بسازد، ویژگی‌ها را توسعه دهد، اشکال‌زدایی کند، بازسازی‌های بزرگ را انجام دهد و کدها را بررسی کند. این مدل به طور خاص برای درک و تولید کد بهینه‌سازی شده است و می‌تواند در زبان‌های برنامه‌نویسی مختلف کار کند. از جمله قابلیت‌های کلیدی این مدل می‌توان به موارد زیر اشاره کرد:
  • تولید کد از توضیحات زبان طبیعی: شما می‌توانید با ارائه توضیحات به زبان طبیعی، از مدل بخواهید کد مورد نظر را تولید کند.
  • تکمیل خودکار کد: مدل می‌تواند کد شما را به صورت خودکار تکمیل کند و پیشنهادهایی برای ادامه کد ارائه دهد.
  • اشکال‌زدایی کد: مدل می‌تواند به شما در یافتن و رفع اشکالات کد کمک کند.
  • بازسازی کد: مدل می‌تواند کد شما را به صورت خودکار بازسازی کند و آن را خواناتر و کارآمدتر کند.
  • تولید مستندات کد: مدل می‌تواند به صورت خودکار مستندات کد شما را تولید کند.
  • تست کد: مدل می‌تواند به شما در نوشتن تست‌های واحد برای کد کمک کند.
این مدل با استفاده از مجموعه داده‌های بزرگی از کد و مستندات کد آموزش داده شده است و می‌تواند در طیف گسترده‌ای از وظایف مهندسی نرم‌افزار مورد استفاده قرار گیرد. برای استفاده از این مدل، شما می‌توانید از طریق API ارائه شده توسط ای ای کار (AI-KAR) اقدام کنید. API به شما امکان می‌دهد تا به راحتی با مدل تعامل داشته باشید و از قابلیت‌های آن در برنامه‌های خود استفاده کنید. این مدل به طور مداوم در حال بهبود است و ما به طور مرتب ویژگی‌های جدیدی به آن اضافه می‌کنیم. ما مشتاقانه منتظر بازخورد شما هستیم تا بتوانیم این مدل را هرچه بیشتر برای نیازهای شما بهینه کنیم. این مدل نه تنها یک ابزار تولید کد است، بلکه یک همکار هوشمند در فرآیند توسعه نرم‌افزار است که می‌تواند به شما در تسریع فرآیند توسعه، بهبود کیفیت کد و کاهش هزینه‌ها کمک کند. با استفاده از gpt-5-1-codex، شما می‌توانید به طور موثرتری به توسعه نرم‌افزار بپردازید و بر روی جنبه‌های خلاقانه و استراتژیک پروژه خود تمرکز کنید.

مشخصات فنی (API References)

پارامترنوعتوضیحات و مقادیر
model
stringRequired
مدلی که برای تولید پاسخ استفاده می‌شود.
مقادیر مجاز (کلیک برای کپی):
input
any ofRequired
ورودی متن، تصویر یا فایل به مدل، که برای تولید پاسخ استفاده می‌شود.
string
string
یک ورودی متنی به مدل، معادل یک ورودی متنی با نقش کاربر.
object
object
یک ورودی پیام به مدل با نقشی که نشان‌دهنده سلسله مراتب پیروی از دستورالعمل است. دستورالعمل‌های داده شده با نقش توسعه‌دهنده یا سیستم بر دستورالعمل‌های داده شده با نقش کاربر اولویت دارند. پیام‌های با نقش دستیار فرض می‌شود که توسط مدل در تعاملات قبلی تولید شده‌اند.
include
string · enum[]
مشخص کردن داده‌های خروجی اضافی برای گنجاندن در پاسخ مدل. مقادیر پشتیبانی شده در حال حاضر عبارتند از: - code_interpreter_call.outputs: شامل خروجی‌های اجرای کد پایتون در موارد فراخوانی ابزار مفسر کد. - computer_call_output.output.image_url: شامل URLهای تصویر از خروجی فراخوانی کامپیوتر. - file_search_call.results: شامل نتایج جستجوی فراخوانی ابزار جستجوی فایل. - message.output_text.logprobs: شامل logprobs با پیام‌های دستیار. - reasoning.encrypted_content: شامل یک نسخه رمزگذاری شده از توکن‌های استدلال در خروجی‌های مورد استدلال. این امکان را می‌دهد که موارد استدلال در مکالمات چند نوبتی هنگام استفاده از API پاسخ‌ها به صورت بدون حالت استفاده شوند (مانند زمانی که پارامتر store روی false تنظیم شده است، یا زمانی که یک سازمان در برنامه حفظ صفر داده ثبت نام کرده است).
مقادیر مجاز (کلیک برای کپی):
max_output_tokens
integer
یک حد بالا برای تعداد توکن‌هایی که می‌توان برای یک پاسخ تولید کرد، از جمله توکن‌های خروجی قابل مشاهده و توکن‌های استدلال.
previous_response_id
string
شناسه یکتای پاسخ قبلی به مدل. از این برای ایجاد مکالمات چند نوبتی استفاده کنید.
prompt
object
ارجاع به یک قالب اعلان و متغیرهای آن.
store
boolean
اینکه آیا پاسخ مدل تولید شده برای بازیابی بعدی از طریق API ذخیره شود یا خیر. مقدار پیش‌فرض: false
stream
boolean
اگر روی true تنظیم شود، داده‌های پاسخ مدل هنگام تولید با استفاده از رویدادهای ارسال شده توسط سرور به کلاینت ارسال می‌شوند. مقدار پیش‌فرض: false
text
object
گزینه‌های پیکربندی برای یک پاسخ متنی از مدل. می‌تواند متن ساده یا داده‌های JSON ساختاریافته باشد.
truncation
string · enum
استراتژی برش برای استفاده در پاسخ مدل. - auto: اگر زمینه این پاسخ و پاسخ‌های قبلی از اندازه پنجره زمینه مدل فراتر رود، مدل با حذف موارد ورودی در وسط مکالمه، پاسخ را کوتاه می‌کند تا در پنجره زمینه قرار گیرد. - disabled (پیش‌فرض): اگر پاسخ مدل از اندازه پنجره زمینه برای یک مدل فراتر رود، درخواست با خطای 400 با شکست مواجه می‌شود.
مقادیر مجاز (کلیک برای کپی):
tools
one of[]
آرایه‌ای از ابزارهایی که مدل ممکن است هنگام تولید پاسخ فراخوانی کند. می‌توانید با تنظیم پارامتر tool_choice مشخص کنید که از کدام ابزار استفاده شود.
tool_choice
any of
نحوه انتخاب ابزار (یا ابزارها) توسط مدل هنگام تولید پاسخ.
string · enum
string · enum
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.
مقادیر مجاز (کلیک برای کپی):
object
object
نشان می‌دهد که مدل باید از یک ابزار داخلی برای تولید پاسخ استفاده کند.

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/responses",
    headers={
        "Content-Type":"application/json",
        # Insert your AI-KAR API Key instead of <YOUR_AI-KARAPI_KEY>:
        "Authorization":"Bearer <YOUR_AI-KARAPI_KEY>",
        "Content-Type":"application/json"
    },
    json={
        "model":"openai/gpt-5-1-codex",
        "input":"Hello"  # Insert your question for the model here, instead of Hello
    }
)
data = response.json()
print(json.dumps(data, indent=2, ensure_ascii=False))

نمونه پاسخ موفق (JSON)

RESPONSE (200 OK)
{
  "background": null,
  "created_at": 1,
  "error": {
    "code": "text",
    "message": "text"
  },
  "id": "text",
  "incomplete_details": {
    "reason": "text"
  },
  "instructions": "text",
  "max_output_tokens": 1,
  "metadata": {
    "ANY_ADDITIONAL_PROPERTY": "anything"
  },
  "model": "text",
  "object": "text",
  "output": [
    {
      "role": null,
      "type": null,
      "content": null
    }
  ],
  "output_text": null,
  "parallel_tool_calls": true,
  "previous_response_id": null,
  "prompt": {
    "id": "text",
    "variables": {
      "ANY_ADDITIONAL_PROPERTY": "anything"
    },
    "version": null
  },
  "reasoning": {
    "effort": "low",
    "summary": "auto"
  },
  "service_tier": null,
  "status": "completed",
  "temperature": 1,
  "text": {
    "format": {
      "type": "text"
    }
  },
  "tool_choice": "none",
  "tools": [
    {
      "type": "web_search_preview",
      "search_context_size": "low",
      "user_location": {
        "type": "text",
        "city": null,
        "country": null,
        "region": null,
        "timezone": null
      }
    }
  ],
  "top_p": null,
  "truncation": "auto",
  "usage": {
    "input_tokens": 1,
    "input_tokens_details": {
      "cached_tokens": 1
    },
    "output_tokens": 1,
    "output_tokens_details": {
      "reasoning_tokens": 1
    },
    "total_tokens": 1
  }
}