Ask AI

مدل‌های DeepSeek

AvalAI دسترسی یکپارچه به مدل‌های استدلال پیشرفته DeepSeek را از طریق API یکپارچه ما فراهم می‌کند. این صفحه مدل‌های DeepSeek موجود، قابلیت‌ها و موارد استفاده بهینه آن‌ها را با تمرکز بر آخرین نسل پرچم‌دار DeepSeek-V4 شرح می‌دهد.

مدل‌های موجود

DeepSeek مدل‌های هوش مصنوعی پیشرفته با قابلیت‌های استدلال پیشرفته ارائه می‌دهد که دارای حالت‌های تفکری و غیرتفکری برای موارد استفاده مختلف است. خانواده V4 پنجره زمینه پیش‌فرض ۱ میلیون توکنی، DeepSeek Sparse Attention (DSA) و عملکرد به‌شدت بهبودیافته در کدنویسی عاملی و استدلال را ارائه می‌دهد.

مدل‌های DeepSeek-V4

DeepSeek-V4 جدیدترین خانواده پرچم‌دار با پنجره زمینه ۱ میلیون توکنی و کنترل‌های تفکر برای وظایف دشوار است. شناسه پایدار deepseek-v4-flash اکنون به‌طور خودکار به DeepSeek-V4-Flash-0731، نسخه رسمی Flash که جایگزین پیش‌نمایش شده و قابلیت‌های عاملی بسیار قوی‌تری دارد، اشاره می‌کند. هیچ تغییری در کد لازم نیست و قیمت‌گذاری بدون تغییر باقی می‌ماند.

deepseek-v4-flash

deepseek-v4-flash اکنون به‌طور خودکار از DeepSeek-V4-Flash-0731 استفاده می‌کند. نسخه رسمی یک مدل mixture-of-experts سریع و اقتصادی با ۲۸۴ میلیارد پارامتر کل، ۱۳ میلیارد پارامتر فعال و ماژول speculative decoding از نوع DSpark است که برای کدنویسی بلندمدت، کار با ترمینال، استفاده از ابزار و اتوماسیون بهینه شده است.

ویژگی	جزئیات
پنجره زمینه	۱ میلیون توکن
حداکثر خروجی	DeepSeek برای بارهای کاری محلی با reasoning سطح `high` و `max` تا ۳۸۴K را توصیه می‌کند؛ محدودیت فعلی route در AvalAI را از `/v1/models` بررسی کنید
پارامترها	۲۸۴ میلیارد کل / ۱۳ میلیارد فعال
نسخه backend	DeepSeek-V4-Flash-0731 (خودکار؛ بدون تغییر شناسه مدل)
speculative decoding	ماژول DSpark متصل
تلاش استدلالی	`low`، `high` یا `max`
قیمت ورودی	$0.22 / ۱ میلیون توکن
قیمت ورودی کش‌شده	$0.007 / ۱ میلیون توکن
قیمت خروجی	$0.66 / ۱ میلیون توکن
نقاط قوت	کدنویسی بلندمدت، کار با ترمینال، استفاده از ابزار، اتوماسیون و اجرای عاملی اقتصادی
بهترین برای	برنامه‌های پرترافیک، عامل‌های کدنویسی، گردش‌کارهای ابزارمحور و تحلیل زمینه بزرگ
ویژگی‌ها	خروجی ساختاریافته ✓، فراخوانی ابزار ✓، کش پرامپت ✓، استریمینگ بومی ✓
در دسترس از طریق	`v1/chat/completions`

python

from openai import OpenAI

client = OpenAI(api_key="your-avalai-api-key", base_url="https://api.avalai.ir/v1")

# شناسه پایدار به‌طور خودکار از DeepSeek-V4-Flash-0731 استفاده می‌کند.
response = client.chat.completions.create(
    model="deepseek-v4-flash",
    messages=[
        {
            "role": "user",
            "content": "علت ریشه‌ای این استقرار ناموفق را پیدا کن و امن‌ترین اصلاح را پیشنهاد بده.",
        }
    ],
    reasoning_effort="high",
)

print(response.choices[0].message.content)

ارتقای خودکار: برنامه‌های موجود همچنان از deepseek-v4-flash استفاده می‌کنند؛ AvalAI این شناسه را با همان قیمت به DeepSeek-V4-Flash-0731 هدایت می‌کند. به‌روزرسانی ۳ اوت ۲۰۲۶ را ببینید.

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `deepseek-v4-flash` ممکن است در داده‌های فعلی AvalAI برای `/v1/responses` فعال نباشد.

وقتی مدل انتخابی از /v1/responses پشتیبانی می‌کند، این نسخه را کنار مثال Chat Completions استفاده کنید. messages به input منتقل می‌شود و متن نهایی از response.output_text خوانده می‌شود.

python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["AVALAI_API_KEY"],
    base_url="https://api.avalai.ir/v1",
)

response = client.responses.create(
    model="gpt-5.5",
    instructions="You are a helpful assistant.",
    input="مزایای پنجره زمینه ۱ میلیون توکنی برای تحلیل اسناد را خلاصه کنید.",
)

print(response.output_text)

messages → input
پیام سیستمی → instructions یا آیتم developer
choices[0].message.content → response.output_text
برای ابزارها و خروجی‌های چندوجهی، response.output را بر اساس type بررسی کنید.

deepseek-v4-pro

شناسه deepseek-v4-pro اکنون به‌صورت خودکار از DeepSeek-V4-Pro-0813، نسخه رسمی جایگزین Preview، استفاده می‌کند. این ارتقا بدون تغییر شناسه یا کد انجام می‌شود و قابلیت‌های عاملی و عملکرد محیط تولید را بهبود می‌دهد. نسخه 0813 ساختار V4-Pro را حفظ می‌کند و ماژول speculative decoding از نوع DSpark را به آن می‌افزاید.

DeepSeek-V4-Pro توانمندترین مدل پرچم‌دار DeepSeek با ۱٫۶ تریلیون پارامتر کل / ۴۹ میلیارد پارامتر فعال است. بر اساس نتایج اعلام‌شده DeepSeek، نسخه 0813 در تمام بنچمارک‌های منتشرشده از Preview بهتر عمل کرده است؛ از جمله Terminal Bench 2.1 با ۸۷٫۹ در برابر ۷۲٫۱، DeepSWE با ۶۲٫۷ در برابر ۱۲٫۸ و Toolathlon-Verified با ۷۴٫۱ در برابر ۵۵٫۹. این ارقام نتایج ارائه‌دهنده هستند و تضمین AvalAI محسوب نمی‌شوند.

ویژگی	جزئیات
پنجره زمینه	۱ میلیون توکن (پیش‌فرض)
حداکثر توکن خروجی	تا ۳۸۴ هزار
پارامترها	۱٫۶ تریلیون کل / ۴۹ میلیارد فعال
نسخه backend	DeepSeek-V4-Pro-0813 (خودکار؛ بدون تغییر شناسه مدل)
speculative decoding	ماژول DSpark متصل
حالت	دوگانه تفکری / غیرتفکری (تفکری به‌صورت پیش‌فرض فعال)
تلاش استدلالی	`reasoning_effort: "high"` یا `"max"` (low/medium → high، xhigh → max)
قیمت‌گذاری ورودی (cache miss)	$0.66 / ۱ میلیون توکن
قیمت‌گذاری ورودی (cache hit)	$0.022 / ۱ میلیون توکن
قیمت‌گذاری خروجی	$1.98 / ۱ میلیون توکن
نقاط قوت	SOTA متن‌باز در کدنویسی عاملی، استدلال کلاس جهانی، دانش جهانی غنی
بهترین برای	استدلال پیچیده، کدنویسی عاملی، پژوهش، برنامه‌نویسی رقابتی، تحلیل زمینه طولانی
استدلال	فرآیند تفکر آشکار از طریق فیلد `reasoning_content`
ویژگی‌ها	خروجی JSON ✓، فراخوانی ابزار ✓، تکمیل پیشوند چت (بتا) ✓
در دسترس از طریق	`v1/chat/completions`

python

from openai import OpenAI

client = OpenAI(api_key="your-avalai-api-key", base_url="https://api.avalai.ir/v1")

# حالت تفکری با تلاش استدلالی بالا
response = client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=[
        {
            "role": "user",
            "content": "یک معماری تحمل‌پذیر خطا برای یک پردازنده پرداخت جهانی با ۵۰٬۰۰۰ TPS طراحی کنید.",
        }
    ],
    reasoning_effort="high",
    extra_body={"thinking": {"type": "enabled"}},
)

print(response.choices[0].message.reasoning_content)
print(response.choices[0].message.content)

ارتقای خودکار: برنامه‌های موجود همچنان از deepseek-v4-pro استفاده می‌کنند؛ AvalAI این شناسه را بدون نیاز به تغییر کد به DeepSeek-V4-Pro-0813 هدایت می‌کند. اعلامیه ۱۴ اوت ۲۰۲۶ را ببینید.

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `deepseek-v4-pro` ممکن است در داده‌های فعلی AvalAI برای `/v1/responses` فعال نباشد.

وقتی مدل انتخابی از /v1/responses پشتیبانی می‌کند، این نسخه را کنار مثال Chat Completions استفاده کنید. messages به input منتقل می‌شود و متن نهایی از response.output_text خوانده می‌شود.

python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["AVALAI_API_KEY"],
    base_url="https://api.avalai.ir/v1",
)

response = client.responses.create(
    model="gpt-5.5",
    instructions="You are a helpful assistant.",
    input="یک معماری تحمل‌پذیر خطا برای یک پردازنده پرداخت جهانی با ۵۰٬۰۰۰ TPS طراحی کنید.",
)

print(response.output_text)

messages → input
پیام سیستمی → instructions یا آیتم developer
choices[0].message.content → response.output_text
برای ابزارها و خروجی‌های چندوجهی، response.output را بر اساس type بررسی کنید.

نام‌های سازگار هدایت‌شده به DeepSeek V4

سازگاری خودکار: نام‌های قدیمی و نسخه‌دار فهرست‌شده در بخش مسیریابی مدل به مدل‌های پایه V4 هدایت می‌شوند. برای یکپارچه‌سازی‌های جدید، از شناسه‌های صریح deepseek-v4-flash و deepseek-v4-pro استفاده کنید.

deepseek-chat

deepseek-chat اکنون به deepseek-v4-flash هدایت می‌شود (به‌صورت پیش‌فرض حالت غیرتفکری) و تعرفه ثابت V4-Flash را دارد.

ویژگی	جزئیات
هدایت به	`deepseek-v4-flash`
پنجره زمینه	۱ میلیون توکن (به ارث رسیده از V4-Flash)
حداکثر توکن خروجی	تا ۳۸۴ هزار
حالت	غیرتفکری به‌صورت پیش‌فرض
قیمت‌گذاری ورودی (cache miss)	$0.22 / ۱ میلیون توکن
قیمت‌گذاری ورودی (cache hit)	$0.007 / ۱ میلیون توکن
قیمت‌گذاری خروجی	$0.66 / ۱ میلیون توکن
نقاط قوت	سریع، اقتصادی، استدلال نزدیک به V4-Pro، زمینه ۱ میلیونی، کارایی DSA
بهترین برای	یکپارچه‌سازی‌های موجود که به نام `deepseek-chat` متکی هستند
استدلال	استدلال CoT اختیاری از طریق `reasoning_effort` و کلید `thinking`
ویژگی‌ها	خروجی JSON ✓، فراخوانی ابزار ✓، تکمیل پیشوند چت (بتا) ✓، تکمیل FIM (بتا، فقط حالت غیرتفکری) ✓

python

from openai import OpenAI

client = OpenAI(api_key="your-avalai-api-key", base_url="https://api.avalai.ir/v1")

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {
            "role": "user",
            "content": "مفهوم درهم‌تنیدگی کوانتومی را به زبان ساده توضیح دهید",
        }
    ],
)

print(response.choices[0].message.content)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `deepseek-chat` ممکن است در داده‌های فعلی AvalAI برای `/v1/responses` فعال نباشد.

وقتی مدل انتخابی از /v1/responses پشتیبانی می‌کند، این نسخه را کنار مثال Chat Completions استفاده کنید. messages به input منتقل می‌شود و متن نهایی از response.output_text خوانده می‌شود.

python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["AVALAI_API_KEY"],
    base_url="https://api.avalai.ir/v1",
)

response = client.responses.create(
    model="gpt-5.5",
    instructions="You are a helpful assistant.",
    input="مفهوم درهم‌تنیدگی کوانتومی را به زبان ساده توضیح دهید",
)

print(response.output_text)

messages → input
پیام سیستمی → instructions یا آیتم developer
choices[0].message.content → response.output_text
برای ابزارها و خروجی‌های چندوجهی، response.output را بر اساس type بررسی کنید.

deepseek-reasoner

deepseek-reasoner اکنون به deepseek-v4-pro هدایت می‌شود (به‌صورت پیش‌فرض حالت تفکری) و تعرفه ثابت V4-Pro را دارد.

ویژگی	جزئیات
هدایت به	`deepseek-v4-pro`
پنجره زمینه	۱ میلیون توکن (به ارث رسیده از V4-Pro)
حداکثر توکن خروجی	تا ۳۸۴ هزار
حالت	تفکری به‌صورت پیش‌فرض (فعال)
تلاش استدلالی	`reasoning_effort: "high"` یا `"max"`
قیمت‌گذاری ورودی (cache miss)	$0.66 / ۱ میلیون توکن
قیمت‌گذاری ورودی (cache hit)	$0.022 / ۱ میلیون توکن
قیمت‌گذاری خروجی	$1.98 / ۱ میلیون توکن
نقاط قوت	SOTA متن‌باز در کدنویسی عاملی، استدلال کلاس جهانی، دانش جهانی غنی
بهترین برای	یکپارچه‌سازی‌های موجود که به نام `deepseek-reasoner` متکی هستند
استدلال	فرآیند تفکر آشکار از طریق فیلد `reasoning_content`
ویژگی‌ها	خروجی JSON ✓، فراخوانی ابزار ✓، تکمیل پیشوند چت (بتا) ✓

python

from openai import OpenAI

client = OpenAI(api_key="your-avalai-api-key", base_url="https://api.avalai.ir/v1")

response = client.chat.completions.create(
    model="deepseek-reasoner",
    messages=[
        {
            "role": "user",
            "content": "این مسئله ریاضی پیچیده را گام به گام حل کنید: اگر قطاری ۱۲۰ مایل را در ۲ ساعت طی کند، سپس سرعت خود را ۲۵٪ افزایش دهد برای ۳ ساعت بعدی، در مجموع چه مسافتی طی کرده است؟",
        }
    ],
)

print(response.choices[0].message.content)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `deepseek-reasoner` ممکن است در داده‌های فعلی AvalAI برای `/v1/responses` فعال نباشد.

وقتی مدل انتخابی از /v1/responses پشتیبانی می‌کند، این نسخه را کنار مثال Chat Completions استفاده کنید. messages به input منتقل می‌شود و متن نهایی از response.output_text خوانده می‌شود.

python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["AVALAI_API_KEY"],
    base_url="https://api.avalai.ir/v1",
)

response = client.responses.create(
    model="gpt-5.5",
    instructions="You are a helpful assistant.",
    input="این مسئله ریاضی پیچیده را گام به گام حل کنید: اگر قطاری ۱۲۰ مایل را در ۲ ساعت طی کند، سپس سرعت خود را ۲۵٪ افزایش دهد برای ۳ ساعت بعدی، در مجموع چه مسافتی طی کرده است؟",
)

print(response.output_text)

messages → input
پیام سیستمی → instructions یا آیتم developer
choices[0].message.content → response.output_text
برای ابزارها و خروجی‌های چندوجهی، response.output را بر اساس type بررسی کنید.

deepseek-v3.2

DeepSeek-V3.2 از طریق Azure AI، هماهنگ کننده کارایی محاسباتی بالا با استدلال برتر و عملکرد عامل. دارای DeepSeek Sparse Attention (DSA) برای سناریوهای کارآمد با متن بلند.

ویژگی	جزئیات
پنجره زمینه	۱۲۸ هزار توکن
حداکثر توکن خروجی	محدودیت‌های خروجی استاندارد
ارائه‌دهنده	Azure AI
حالت	حالت غیرتفکری برای پاسخ‌های کارآمد
قیمت‌گذاری ورودی	$0.28 / ۱ میلیون توکن
قیمت‌گذاری ورودی (cache hit)	$0.028 / ۱ میلیون توکن
قیمت‌گذاری خروجی	$0.42 / ۱ میلیون توکن
نقاط قوت	پاسخ‌های سریع، پردازش کارآمد، استفاده بهبود یافته از ابزار، عملکرد سطح GPT-5
بهترین برای	گفتگوی عمومی، پاسخ‌های سریع، برنامه‌های پرحجم، وظایف عامل
استدلال	استدلال استاندارد بدون فرآیند تفکر آشکار
قابلیت‌ها	JSON Output ✓، Tool Calls ✓، Chat Prefix Completion (Beta) ✓
در دسترس در	`v1/chat/completions`، `v1/completions`، `v1/responses`، `v1/messages`

مزایای میزبانی Azure AI:

محدودیت‌های نرخ بهتر: توان عملیاتی بالاتر نسبت به API مستقیم DeepSeek
تاخیر کمتر: زمان پاسخ سریع‌تر از طریق زیرساخت جهانی Azure
قابلیت اطمینان بهتر: دسترسی‌پذیری و عملکرد در سطح سازمانی

python

from openai import OpenAI

client = OpenAI(api_key="your-avalai-api-key", base_url="https://api.avalai.ir/v1")

response = client.chat.completions.create(
    model="deepseek-v3.2",
    messages=[
        {
            "role": "user",
            "content": "یک تابع Python برای پیاده‌سازی درخت جستجوی دودویی بنویس",
        }
    ],
)

print(response.choices[0].message.content)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `deepseek-v3.2` ممکن است در داده‌های فعلی AvalAI برای `/v1/responses` فعال نباشد.

وقتی مدل انتخابی از /v1/responses پشتیبانی می‌کند، این نسخه را کنار مثال Chat Completions استفاده کنید. messages به input منتقل می‌شود و متن نهایی از response.output_text خوانده می‌شود.

python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["AVALAI_API_KEY"],
    base_url="https://api.avalai.ir/v1",
)

response = client.responses.create(
    model="gpt-5.5",
    instructions="You are a helpful assistant.",
    input="یک تابع Python برای پیاده‌سازی درخت جستجوی دودویی بنویس",
)

print(response.output_text)

messages → input
پیام سیستمی → instructions یا آیتم developer
choices[0].message.content → response.output_text
برای ابزارها و خروجی‌های چندوجهی، response.output را بر اساس type بررسی کنید.

deepseek-v3.2-speciale

DeepSeek-V3.2-Speciale از طریق Azure AI، یک نوع با محاسبات بالا که از GPT-5 پیشی گرفته و مهارت استدلال هم‌سطح با Gemini-3.0-Pro را نشان می‌دهد. در المپیاد بین‌المللی ریاضی ۲۰۲۵ (IMO) و المپیاد بین‌المللی انفورماتیک (IOI) به عملکرد مدال طلا دست یافت.

ویژگی	جزئیات
پنجره زمینه	۱۲۸ هزار توکن
حداکثر توکن خروجی	محدودیت‌های خروجی گسترده برای استدلال
ارائه‌دهنده	Azure AI
حالت	حالت استدلال عمیق (تفکر)
قیمت‌گذاری ورودی	$0.28 / ۱ میلیون توکن
قیمت‌گذاری ورودی (cache hit)	$0.028 / ۱ میلیون توکن
قیمت‌گذاری خروجی	$0.42 / ۱ میلیون توکن
نقاط قوت	استدلال سطح متخصص، عملکرد سطح المپیاد، پیشی از GPT-5
بهترین برای	ریاضیات پیچیده، برنامه‌نویسی رقابتی، تحقیق، تحلیل عمیق
استدلال	تفکر گسترده با فرآیند استدلال آشکار
قابلیت‌ها	JSON Output ✓، Chat Prefix Completion (Beta) ✓
فراخوانی ابزار	✗ پشتیبانی نمی‌شود (فقط برای وظایف استدلال طراحی شده)
در دسترس در	`v1/chat/completions`، `v1/completions`، `v1/responses`، `v1/messages`

دستاوردهای کلیدی:

🥇 عملکرد مدال طلا در المپیاد بین‌المللی ریاضی ۲۰۲۵ (IMO)
🥇 عملکرد مدال طلا در المپیاد بین‌المللی انفورماتیک (IOI)
مهارت استدلال هم‌سطح با Gemini-3.0-Pro

نکته مهم: DeepSeek-V3.2-Speciale به طور انحصاری برای وظایف استدلال عمیق طراحی شده و از قابلیت فراخوانی ابزار پشتیبانی نمی‌کند.

python

from openai import OpenAI

client = OpenAI(api_key="your-avalai-api-key", base_url="https://api.avalai.ir/v1")

response = client.chat.completions.create(
    model="deepseek-v3.2-speciale",
    messages=[
        {
            "role": "user",
            "content": "این مسئله IMO را حل کن: همه اعداد صحیح مثبت n را پیدا کن به طوری که n^2 + 1 بر n^3 + n + 1 بخش‌پذیر باشد",
        }
    ],
    max_tokens=4096,
)

print(response.choices[0].message.content)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `deepseek-v3.2-speciale` ممکن است در داده‌های فعلی AvalAI برای `/v1/responses` فعال نباشد.

وقتی مدل انتخابی از /v1/responses پشتیبانی می‌کند، این نسخه را کنار مثال Chat Completions استفاده کنید. messages به input منتقل می‌شود و متن نهایی از response.output_text خوانده می‌شود.

python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["AVALAI_API_KEY"],
    base_url="https://api.avalai.ir/v1",
)

response = client.responses.create(
    model="gpt-5.5",
    instructions="You are a helpful assistant.",
    input="این مسئله IMO را حل کن: همه اعداد صحیح مثبت n را پیدا کن به طوری که n^2 + 1 بر n^3 + n + 1 بخش‌پذیر باشد",
)

print(response.output_text)

messages → input
پیام سیستمی → instructions یا آیتم developer
choices[0].message.content → response.output_text
برای ابزارها و خروجی‌های چندوجهی، response.output را بر اساس type بررسی کنید.

deepseek-v3.1

DeepSeek-V3.1 از طریق Azure AI، دسترسی مستقیم به آخرین مدل با استفاده بهبود یافته از ابزار و قابلیت‌های عامل.

ویژگی	جزئیات
پنجره زمینه	۱۲۸ هزار توکن
حداکثر توکن خروجی	محدودیت‌های خروجی استاندارد
ارائه‌دهنده	Azure AI
حالت	حالت غیرتفکری برای پاسخ‌های کارآمد
قیمت‌گذاری ورودی (cache hit)	$0.07 / ۱ میلیون توکن
قیمت‌گذاری ورودی (cache miss)	$0.27 / ۱ میلیون توکن
قیمت‌گذاری خروجی	$1.10 / ۱ میلیون توکن
نقاط قوت	پاسخ‌های سریع، پردازش کارآمد، استفاده بهبود یافته از ابزار، گردش‌کارهای عامل
بهترین برای	گفتگوی عمومی، پاسخ‌های سریع، برنامه‌های پرحجم، وظایف عامل
استدلال	استدلال استاندارد بدون فرآیند تفکر آشکار
در دسترس در	`v1/chat/completions`، `v1/responses`، `v1/messages`

python

from openai import OpenAI

client = OpenAI(api_key="your-avalai-api-key", base_url="https://api.avalai.ir/v1")

response = client.chat.completions.create(
    model="deepseek-v3.1",
    messages=[
        {
            "role": "user",
            "content": "یک تابع Python برای تجزیه و تحلیل فایل‌های لاگ و استخراج الگوهای خطا ایجاد کنید",
        }
    ],
)

print(response.choices[0].message.content)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `deepseek-v3.1` ممکن است در داده‌های فعلی AvalAI برای `/v1/responses` فعال نباشد.

وقتی مدل انتخابی از /v1/responses پشتیبانی می‌کند، این نسخه را کنار مثال Chat Completions استفاده کنید. messages به input منتقل می‌شود و متن نهایی از response.output_text خوانده می‌شود.

python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["AVALAI_API_KEY"],
    base_url="https://api.avalai.ir/v1",
)

response = client.responses.create(
    model="gpt-5.5",
    instructions="You are a helpful assistant.",
    input="یک تابع Python برای تجزیه و تحلیل فایل‌های لاگ و استخراج الگوهای خطا ایجاد کنید",
)

print(response.output_text)

messages → input
پیام سیستمی → instructions یا آیتم developer
choices[0].message.content → response.output_text
برای ابزارها و خروجی‌های چندوجهی، response.output را بر اساس type بررسی کنید.

قابلیت‌های کلیدی

استنتاج ترکیبی

DeepSeek-V3.2 قابلیت‌های استنتاج ترکیبی منحصر به فردی ارائه می‌دهد که به کاربران امکان انتخاب بین حالت‌های تفکری و غیرتفکری بسته به نیازهایشان را می‌دهد:

حالت غیرتفکری (deepseek-chat): استنتاج متعادل در برابر طول - مدل روزانه شما با عملکرد سطح GPT-5
حالت تفکری (deepseek-reasoner): قابلیت‌های استدلال حداکثری که رقیب Gemini-3.0-Pro است

جزئیات API حالت تفکری

هنگام استفاده از حالت تفکری (deepseek-reasoner)، API دو فیلد محتوا برمی‌گرداند:

reasoning_content: فرآیند استدلال زنجیره‌ای (CoT)
content: پاسخ نهایی

دسترسی به محتوای استدلال:

BashPythonJavaScriptPHP

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "deepseek-reasoner",
    "messages": [
      {
        "role": "user",
        "content": "۹.۱۱ و ۹.۸، کدام بزرگتر است؟"
      }
    ]
  }'

# پاسخ شامل:
# - choices[0].message.reasoning_content: استدلال CoT
# - choices[0].message.content: پاسخ نهایی

python

from openai import OpenAI

client = OpenAI(api_key="your-avalai-api-key", base_url="https://api.avalai.ir/v1")

response = client.chat.completions.create(
    model="deepseek-reasoner",
    messages=[{"role": "user", "content": "۹.۱۱ و ۹.۸، کدام بزرگتر است؟"}],
)

# دسترسی به فرآیند استدلال
reasoning_content = response.choices[0].message.reasoning_content
# دسترسی به پاسخ نهایی
content = response.choices[0].message.content

print(f"استدلال: {reasoning_content}")
print(f"پاسخ: {content}")

javascript

import { OpenAI } from "openai";

const client = new OpenAI({
    apiKey: process.env.AVALAI_API_KEY,
    baseURL: "https://api.avalai.ir/v1"
});

const response = await client.chat.completions.create({
    model: "deepseek-reasoner",
    messages: [{ role: "user", content: "۹.۱۱ و ۹.۸، کدام بزرگتر است؟" }]
});

// دسترسی به فرآیند استدلال
const reasoningContent = response.choices[0].message.reasoning_content;
// دسترسی به پاسخ نهایی
const content = response.choices[0].message.content;

console.log(`استدلال: ${reasoningContent}`);
console.log(`پاسخ: ${content}`);

php

<?php
require 'vendor/autoload.php';

use OpenAI;

$client = OpenAI::factory()
    ->withApiKey(getenv('AVALAI_API_KEY'))
    ->withBaseUri('https://api.avalai.ir/v1')
    ->make();

$response = $client->chat()->create([
    'model' => 'deepseek-reasoner',
    'messages' => [
        ['role' => 'user', 'content' => '۹.۱۱ و ۹.۸، کدام بزرگتر است؟']
    ]
]);

// دسترسی به فرآیند استدلال
$reasoningContent = $response->choices[0]->message->reasoning_content ?? null;
// دسترسی به پاسخ نهایی
$content = $response->choices[0]->message->content;

echo "استدلال: " . $reasoningContent . "\n";
echo "پاسخ: " . $content . "\n";

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `deepseek-reasoner` ممکن است در داده‌های فعلی AvalAI برای `/v1/responses` فعال نباشد.

وقتی مدل انتخابی از /v1/responses پشتیبانی می‌کند، این نسخه را کنار مثال Chat Completions استفاده کنید. messages به input منتقل می‌شود و متن نهایی از response.output_text خوانده می‌شود.

PythonJavaScriptBash

python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["AVALAI_API_KEY"],
    base_url="https://api.avalai.ir/v1",
)

response = client.responses.create(
    model="gpt-5.5",
    instructions="You are a helpful assistant.",
    input="۹.۱۱ و ۹.۸، کدام بزرگتر است؟",
)

print(response.output_text)

javascript

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.AVALAI_API_KEY,
  baseURL: "https://api.avalai.ir/v1",
});

const response = await client.responses.create({
  model: "gpt-5.5",
  instructions: "You are a helpful assistant.",
  input: "۹.۱۱ و ۹.۸، کدام بزرگتر است؟",
});

console.log(response.output_text);

bash

curl https://api.avalai.ir/v1/responses \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '
  {
    "model": "gpt-5.5",
    "input": "۹.۱۱ و ۹.۸، کدام بزرگتر است؟",
    "instructions": "You are a helpful assistant."
  }'

messages → input
پیام سیستمی → instructions یا آیتم developer
choices[0].message.content → response.output_text
برای ابزارها و خروجی‌های چندوجهی، response.output را بر اساس type بررسی کنید.

مکالمات چند نوبتی

در مکالمات چند نوبتی با حالت تفکری:

هر نوبت هم reasoning_content و هم content را خروجی می‌دهد
مهم: هنگام ادامه مکالمه، فقط content از نوبت‌های قبلی را ارسال کنید، نه reasoning_content
reasoning_content از نوبت‌های قبلی در زمینه متصل نمی‌شود

BashPythonJavaScriptPHP

bash

# نوبت ۱
RESPONSE=$(curl -s https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "deepseek-reasoner",
    "messages": [
      {"role": "user", "content": "۱۵ + ۲۷ چند می‌شود؟"}
    ]
  }')

CONTENT=$(echo $RESPONSE | jq -r '.choices[0].message.content')

# نوبت ۲ - فقط content را ارسال کنید، نه reasoning_content
curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d "{
    \"model\": \"deepseek-reasoner\",
    \"messages\": [
      {\"role\": \"user\", \"content\": \"۱۵ + ۲۷ چند می‌شود؟\"},
      {\"role\": \"assistant\", \"content\": \"$CONTENT\"},
      {\"role\": \"user\", \"content\": \"حالا آن را در ۲ ضرب کن.\"}
    ]
  }"

python

from openai import OpenAI

client = OpenAI(api_key="your-avalai-api-key", base_url="https://api.avalai.ir/v1")

# نوبت ۱
messages = [{"role": "user", "content": "۱۵ + ۲۷ چند می‌شود؟"}]
response = client.chat.completions.create(model="deepseek-reasoner", messages=messages)

reasoning_content = response.choices[0].message.reasoning_content
content = response.choices[0].message.content

# نوبت ۲ - فقط content را ارسال کنید، نه reasoning_content
messages.append({"role": "assistant", "content": content})
messages.append({"role": "user", "content": "حالا آن را در ۲ ضرب کن."})

response = client.chat.completions.create(model="deepseek-reasoner", messages=messages)

print(response.choices[0].message.content)

javascript

import { OpenAI } from "openai";

const client = new OpenAI({
    apiKey: process.env.AVALAI_API_KEY,
    baseURL: "https://api.avalai.ir/v1"
});

// نوبت ۱
let messages = [{ role: "user", content: "۱۵ + ۲۷ چند می‌شود؟" }];
let response = await client.chat.completions.create({
    model: "deepseek-reasoner",
    messages: messages
});

const reasoningContent = response.choices[0].message.reasoning_content;
const content = response.choices[0].message.content;

// نوبت ۲ - فقط content را ارسال کنید، نه reasoning_content
messages.push({ role: "assistant", content: content });
messages.push({ role: "user", content: "حالا آن را در ۲ ضرب کن." });

response = await client.chat.completions.create({
    model: "deepseek-reasoner",
    messages: messages
});

console.log(response.choices[0].message.content);

php

<?php
require 'vendor/autoload.php';

use OpenAI;

$client = OpenAI::factory()
    ->withApiKey(getenv('AVALAI_API_KEY'))
    ->withBaseUri('https://api.avalai.ir/v1')
    ->make();

// نوبت ۱
$messages = [['role' => 'user', 'content' => '۱۵ + ۲۷ چند می‌شود؟']];
$response = $client->chat()->create([
    'model' => 'deepseek-reasoner',
    'messages' => $messages
]);

$reasoningContent = $response->choices[0]->message->reasoning_content ?? null;
$content = $response->choices[0]->message->content;

// نوبت ۲ - فقط content را ارسال کنید، نه reasoning_content
$messages[] = ['role' => 'assistant', 'content' => $content];
$messages[] = ['role' => 'user', 'content' => 'حالا آن را در ۲ ضرب کن.'];

$response = $client->chat()->create([
    'model' => 'deepseek-reasoner',
    'messages' => $messages
]);

echo $response->choices[0]->message->content . "\n";

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `deepseek-reasoner` ممکن است در داده‌های فعلی AvalAI برای `/v1/responses` فعال نباشد.

وقتی مدل انتخابی از /v1/responses پشتیبانی می‌کند، این نسخه را کنار مثال Chat Completions استفاده کنید. messages به input منتقل می‌شود و متن نهایی از response.output_text خوانده می‌شود.

PythonJavaScriptBash

python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["AVALAI_API_KEY"],
    base_url="https://api.avalai.ir/v1",
)

response = client.responses.create(
    model="gpt-5.5",
    instructions="You are a helpful assistant.",
    input="حالا آن را در ۲ ضرب کن.",
)

print(response.output_text)

javascript

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.AVALAI_API_KEY,
  baseURL: "https://api.avalai.ir/v1",
});

const response = await client.responses.create({
  model: "gpt-5.5",
  instructions: "You are a helpful assistant.",
  input: "حالا آن را در ۲ ضرب کن.",
});

console.log(response.output_text);

bash

curl https://api.avalai.ir/v1/responses \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '
  {
    "model": "gpt-5.5",
    "input": "حالا آن را در ۲ ضرب کن.",
    "instructions": "You are a helpful assistant."
  }'

messages → input
پیام سیستمی → instructions یا آیتم developer
choices[0].message.content → response.output_text
برای ابزارها و خروجی‌های چندوجهی، response.output را بر اساس type بررسی کنید.

تفکر در استفاده از ابزار

DeepSeek-V3.2 اولین مدل DeepSeek است که تفکر را مستقیما در استفاده از ابزار یکپارچه می‌کند:

پشتیبانی از حالت دوگانه: پشتیبانی از استفاده از ابزار در هر دو حالت تفکری و غیرتفکری
داده‌های آموزش عامل: سنتز داده‌های آموزش عامل گسترده شامل ۱۸۰۰+ محیط و ۸۵ هزار+ دستورالعمل پیچیده
استدلال بهبود یافته: قابلیت بهبود یافته برای استدلال در تعاملات پیچیده با ابزار

⚠️ بحرانی: فراخوانی ابزار با حالت تفکری

هنگام استفاده از فراخوانی ابزار با حالت تفکری، باید reasoning_content را در درخواست‌های بعدی در همان نوبت به API برگردانید. عدم انجام این کار منجر به خطای ۴۰۰ می‌شود:

Missing reasoning_content field in the assistant message

پیاده‌سازی صحیح فراخوانی ابزار:

BashPythonJavaScriptPHP

bash

# توجه: فراخوانی ابزار با حالت تفکری نیاز به مدیریت دقیق reasoning_content دارد
# این یک مثال ساده است - برای پیاده‌سازی کامل به Python/JS مراجعه کنید

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "deepseek-reasoner",
    "messages": [
      {"role": "user", "content": "آب و هوای تهران امروز چطور است؟"}
    ],
    "tools": [
      {
        "type": "function",
        "function": {
          "name": "get_weather",
          "description": "دریافت آب و هوای یک مکان",
          "parameters": {
            "type": "object",
            "properties": {
              "location": {"type": "string", "description": "نام شهر"}
            },
            "required": ["location"]
          }
        }
      }
    ]
  }'

# مهم: وقتی مدل tool_calls برمی‌گرداند، باید
# reasoning_content را در پیام دستیار هنگام ارسال نتایج ابزار درج کنید

python

import json
from openai import OpenAI

client = OpenAI(api_key="your-avalai-api-key", base_url="https://api.avalai.ir/v1")

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "دریافت آب و هوای یک مکان",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {"type": "string", "description": "نام شهر"},
                },
                "required": ["location"],
            },
        },
    },
]

messages = [{"role": "user", "content": "آب و هوای تهران امروز چطور است؟"}]

while True:
    response = client.chat.completions.create(
        model="deepseek-reasoner", messages=messages, tools=tools
    )

    message = response.choices[0].message
    reasoning_content = message.reasoning_content
    content = message.content
    tool_calls = message.tool_calls

    # اگر فراخوانی ابزار نداشتیم، پاسخ نهایی را داریم
    if not tool_calls:
        print(f"پاسخ نهایی: {content}")
        break

    # بحرانی: reasoning_content را هنگام اضافه کردن پیام دستیار درج کنید
    assistant_message = {
        "role": "assistant",
        "content": content or "",
        "tool_calls": [
            {
                "id": tc.id,
                "type": "function",
                "function": {
                    "name": tc.function.name,
                    "arguments": tc.function.arguments,
                },
            }
            for tc in tool_calls
        ],
    }

    # باید reasoning_content را اگر موجود بود درج کنید
    if reasoning_content:
        assistant_message["reasoning_content"] = reasoning_content

    messages.append(assistant_message)

    # پردازش فراخوانی‌های ابزار و اضافه کردن نتایج
    for tc in tool_calls:
        # پیاده‌سازی ابزار شما در اینجا
        tool_result = "آفتابی، ۱۵-۲۲ درجه سانتیگراد"  # نتیجه نمونه
        messages.append(
            {
                "role": "tool",
                "tool_call_id": tc.id,
                "content": tool_result,
            }
        )

javascript

import { OpenAI } from "openai";

const client = new OpenAI({
    apiKey: process.env.AVALAI_API_KEY,
    baseURL: "https://api.avalai.ir/v1"
});

const tools = [
    {
        type: "function",
        function: {
            name: "get_weather",
            description: "دریافت آب و هوای یک مکان",
            parameters: {
                type: "object",
                properties: {
                    location: { type: "string", description: "نام شهر" }
                },
                required: ["location"]
            }
        }
    }
];

let messages = [{ role: "user", content: "آب و هوای تهران امروز چطور است؟" }];

while (true) {
    const response = await client.chat.completions.create({
        model: "deepseek-reasoner",
        messages: messages,
        tools: tools
    });
    
    const message = response.choices[0].message;
    const reasoningContent = message.reasoning_content;
    const content = message.content;
    const toolCalls = message.tool_calls;
    
    // اگر فراخوانی ابزار نداشتیم، پاسخ نهایی را داریم
    if (!toolCalls) {
        console.log(`پاسخ نهایی: ${content}`);
        break;
    }
    
    // بحرانی: reasoning_content را هنگام اضافه کردن پیام دستیار درج کنید
    const assistantMessage = {
        role: "assistant",
        content: content || "",
        tool_calls: toolCalls.map(tc => ({
            id: tc.id,
            type: "function",
            function: {
                name: tc.function.name,
                arguments: tc.function.arguments
            }
        }))
    };
    
    // باید reasoning_content را اگر موجود بود درج کنید
    if (reasoningContent) {
        assistantMessage.reasoning_content = reasoningContent;
    }
    
    messages.push(assistantMessage);
    
    // پردازش فراخوانی‌های ابزار و اضافه کردن نتایج
    for (const tc of toolCalls) {
        // پیاده‌سازی ابزار شما در اینجا
        const toolResult = "آفتابی، ۱۵-۲۲ درجه سانتیگراد";  // نتیجه نمونه
        messages.push({
            role: "tool",
            tool_call_id: tc.id,
            content: toolResult
        });
    }
}

php

<?php
require 'vendor/autoload.php';

use OpenAI;

$client = OpenAI::factory()
    ->withApiKey(getenv('AVALAI_API_KEY'))
    ->withBaseUri('https://api.avalai.ir/v1')
    ->make();

$tools = [
    [
        'type' => 'function',
        'function' => [
            'name' => 'get_weather',
            'description' => 'دریافت آب و هوای یک مکان',
            'parameters' => [
                'type' => 'object',
                'properties' => [
                    'location' => ['type' => 'string', 'description' => 'نام شهر']
                ],
                'required' => ['location']
            ]
        ]
    ]
];

$messages = [['role' => 'user', 'content' => 'آب و هوای تهران امروز چطور است؟']];

while (true) {
    $response = $client->chat()->create([
        'model' => 'deepseek-reasoner',
        'messages' => $messages,
        'tools' => $tools
    ]);
    
    $message = $response->choices[0]->message;
    $reasoningContent = $message->reasoning_content ?? null;
    $content = $message->content;
    $toolCalls = $message->tool_calls ?? null;
    
    // اگر فراخوانی ابزار نداشتیم، پاسخ نهایی را داریم
    if (!$toolCalls) {
        echo "پاسخ نهایی: " . $content . "\n";
        break;
    }
    
    // بحرانی: reasoning_content را هنگام اضافه کردن پیام دستیار درج کنید
    $assistantMessage = [
        'role' => 'assistant',
        'content' => $content ?? '',
        'tool_calls' => array_map(function($tc) {
            return [
                'id' => $tc->id,
                'type' => 'function',
                'function' => [
                    'name' => $tc->function->name,
                    'arguments' => $tc->function->arguments
                ]
            ];
        }, $toolCalls)
    ];
    
    // باید reasoning_content را اگر موجود بود درج کنید
    if ($reasoningContent) {
        $assistantMessage['reasoning_content'] = $reasoningContent;
    }
    
    $messages[] = $assistantMessage;
    
    // پردازش فراخوانی‌های ابزار و اضافه کردن نتایج
    foreach ($toolCalls as $tc) {
        // پیاده‌سازی ابزار شما در اینجا
        $toolResult = "آفتابی، ۱۵-۲۲ درجه سانتیگراد";  // نتیجه نمونه
        $messages[] = [
            'role' => 'tool',
            'tool_call_id' => $tc->id,
            'content' => $toolResult
        ];
    }
}

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `deepseek-reasoner` ممکن است در داده‌های فعلی AvalAI برای `/v1/responses` فعال نباشد.

وقتی مدل انتخابی از /v1/responses پشتیبانی می‌کند، این نسخه را کنار مثال Chat Completions استفاده کنید. messages به input منتقل می‌شود و متن نهایی از response.output_text خوانده می‌شود.

PythonJavaScriptBash

python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["AVALAI_API_KEY"],
    base_url="https://api.avalai.ir/v1",
)

tools = [
    {
        "type": "function",
        "name": "get_current_weather",
        "description": "Get the current weather in a given location.",
        "parameters": {
            "type": "object",
            "properties": {"location": {"type": "string"}},
            "required": ["location"],
            "additionalProperties": False,
        },
    }
]

response = client.responses.create(
    model="gpt-5.5",
    input="آب و هوای تهران امروز چطور است؟",
    tools=tools,
)

for item in response.output:
    if item.type == "function_call":
        print(item.name, item.arguments)
print(response.output_text)

javascript

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.AVALAI_API_KEY,
  baseURL: "https://api.avalai.ir/v1",
});

const tools = [
  {
    type: "function",
    name: "get_current_weather",
    description: "Get the current weather in a given location.",
    parameters: {
      type: "object",
      properties: { location: { type: "string" } },
      required: ["location"],
      additionalProperties: false,
    },
  },
];

const response = await client.responses.create({
  model: "gpt-5.5",
  input: "آب و هوای تهران امروز چطور است؟",
  tools,
});

for (const item of response.output) {
  if (item.type === "function_call") {
    console.log(item.name, item.arguments);
  }
}
console.log(response.output_text);

bash

curl https://api.avalai.ir/v1/responses \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '
  {
    "model": "gpt-5.5",
    "input": "آب و هوای تهران امروز چطور است؟",
    "tools": [
      {
        "type": "function",
        "name": "get_current_weather",
        "description": "Get the current weather in a given location.",
        "parameters": {
          "type": "object",
          "properties": {
            "location": {
              "type": "string"
            }
          },
          "required": [
            "location"
          ],
          "additionalProperties": false
        }
      }
    ]
  }'

messages → input
پیام سیستمی → instructions یا آیتم developer
choices[0].message.content → response.output_text
برای ابزارها و خروجی‌های چندوجهی، response.output را بر اساس type بررسی کنید.

نکات مهم برای فراخوانی ابزار:

در یک نوبت واحد (هنگام پردازش فراخوانی‌های ابزار)، همیشه reasoning_content را در پیام‌های دستیار درج کنید
هنگام شروع نوبت جدید کاربر، می‌توانید reasoning_content را از تاریخچه پاک کنید تا پهنای باند ذخیره شود
شیء response.choices[0].message شامل تمام فیلدهای لازم است - می‌توانید آن را مستقیما به messages اضافه کنید

مهارت‌های عامل بهبود یافته

DeepSeek-V3.2 دارای بهبودهای قابل توجه در قابلیت‌های عامل است:

استفاده از ابزار: قابلیت بهبود یافته برای استفاده از ابزارها و API های خارجی با یکپارچه‌سازی تفکر
وظایف چندمرحله‌ای: عملکرد بهتر در گردش‌های کاری عامل پیچیده و چندمرحله‌ای
فراخوانی تابع: قابلیت‌های بهبود یافته فراخوانی تابع برای ادغام با سیستم‌های خارجی

استدلال پیشرفته

حالت تفکری ارائه می‌دهد:

تحلیل گام به گام: تجزیه واضح مسائل پیچیده
استدلال شفاف: فرآیندهای تفکر آشکار برای درک بهتر
عملکرد مدال طلا: DeepSeek-V3.2-Speciale نتایج سطح طلا در IMO، CMO، فینال جهانی ICPC و IOI 2025 کسب کرده است

بنچمارک‌های عملکرد (بر اساس ادعاهای DeepSeek)

DeepSeek-V3.2 بهبودهای قابل توجهی در معیارهای کلیدی نشان می‌دهد:

سطح GPT-5: حالت غیرتفکری عملکردی در سطح GPT-5 ارائه می‌دهد
رقیب Gemini-3.0-Pro: حالت تفکری رقیب قابلیت‌های Gemini-3.0-Pro است
استدلال چندمرحله‌ای: قابلیت بهبود یافته برای جستجو و تحلیل پیچیده

راهنمای انتخاب مدل

انتخاب بین deepseek-chat و deepseek-reasoner

هنگام انتخاب مدل DeepSeek از طریق AvalAI، موارد زیر را در نظر بگیرید:

پیچیدگی وظیفه: از deepseek-reasoner برای مسائل پیچیده که نیاز به تحلیل گام به گام دارند استفاده کنید
نیازهای سرعت: از deepseek-chat برای پاسخ‌های سریع‌تر در برنامه‌های پرحجم استفاده کنید
نیازهای شفافیت: از deepseek-reasoner زمانی استفاده کنید که نیاز به دیدن فرآیند استدلال دارید
طول خروجی: deepseek-reasoner از خروجی‌های بلندتر (تا ۶۴ هزار) در مقابل deepseek-chat (تا ۸ هزار) پشتیبانی می‌کند
یکپارچه‌سازی ابزار: هر دو مدل از تفکر در استفاده از ابزار برای گردش‌های کاری عامل بهبود یافته پشتیبانی می‌کنند

اطلاعات قیمت‌گذاری

AvalAI تعرفه کم‌بار DeepSeek V4 را به‌صورت ثابت در تمام ساعات شبانه‌روز ارائه می‌کند. از ۱۶ اوت ۲۰۲۶، API مستقیم DeepSeek در ساعات اوج 01:00–04:00 UTC و 06:00–10:00 UTC دو برابر این مبالغ محاسبه می‌شود.

مدل پایه	Cache Hit (ورودی)	Cache Miss (ورودی)	خروجی
`deepseek-v4-flash`	$0.007 / ۱ میلیون توکن	$0.22 / ۱ میلیون توکن	$0.66 / ۱ میلیون توکن
`deepseek-v4-pro`	$0.022 / ۱ میلیون توکن	$0.66 / ۱ میلیون توکن	$1.98 / ۱ میلیون توکن

نکات قیمت‌گذاری

نرخ ثابت AvalAI: تعرفه در ساعات اوج و کم‌بار یکسان است
Cache Hit: زمانی که توکن‌های ورودی در حافظه نهان مدل یافت شوند، هزینه پردازش کاهش می‌یابد
Cache Miss: زمانی که توکن‌های ورودی نیاز به پردازش کامل دارند
مقایسه: تعرفه ثابت AvalAI با نرخ کم‌بار مستقیم DeepSeek برابر و تا ۵۰٪ کمتر از نرخ مستقیم ساعات اوج است
جزئیات: اعلامیه قیمت‌گذاری ثابت DeepSeek V4

مقایسه عملکرد

وظیفه	مدل DeepSeek توصیه شده	مدل‌های جایگزین
استدلال پیچیده / تحلیل	deepseek-reasoner	Claude Opus 4.7، GPT-5.5 Pro، GPT-5.5
گفتگوی عمومی / تولید محتوا	deepseek-v4-flash	Claude Sonnet 4.6، GPT-5.5
مسائل ریاضی	deepseek-v4-pro	GPT-5.5, Claude Opus 4.7
تحلیل کد / اشکال‌زدایی	deepseek-v4-pro	Claude Sonnet 4.6، GPT-5.5
برنامه‌های پرحجم	deepseek-v4-flash	Claude Haiku 4.5، GPT-5.4 mini

بهترین شیوه‌ها برای مدل‌های DeepSeek

پرامپت‌نویسی مؤثر

دستورالعمل‌های واضح و مشخص ارائه دهید. برای وظایف استدلالی، هنگام استفاده از deepseek-reasoner صراحتا تحلیل گام به گام درخواست کنید.

دستورالعمل‌های سیستم

از نقش system به طور مؤثر برای راهنمایی رفتار مدل و سبک پاسخ به طور مداوم در هر دو مدل استفاده کنید.

Temperature و Top_P

temperature و top_p را برای کنترل تصادفی تنظیم کنید. مقادیر پایین‌تر (مثل temp=0.2) خروجی‌های قطعی‌تری تولید می‌کنند، در حالی که مقادیر بالاتر (مثل temp=0.8) خلاقیت را تشویق می‌کنند.

استفاده از مدل‌های DeepSeek از طریق AvalAI

همه مدل‌های DeepSeek از طریق نقاط پایانی استاندارد API AvalAI، با استفاده از کتابخانه‌های کلاینت سازگار با OpenAI قابل دسترسی هستند:

python

from openai import OpenAI

client = OpenAI(
    api_key="your-avalai-api-key",  # با کلید API واقعی خود جایگزین کنید
    base_url="https://api.avalai.ir/v1",  # نقطه پایانی API AvalAI
)

# از هر مدل DeepSeek با شناسه AvalAI آن استفاده کنید
response = client.chat.completions.create(
    model="deepseek-chat",  # یا "deepseek-reasoner"
    messages=[{"role": "user", "content": "سلام!"}],
)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `deepseek-chat` ممکن است در داده‌های فعلی AvalAI برای `/v1/responses` فعال نباشد.

وقتی مدل انتخابی از /v1/responses پشتیبانی می‌کند، این نسخه را کنار مثال Chat Completions استفاده کنید. messages به input منتقل می‌شود و متن نهایی از response.output_text خوانده می‌شود.

python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["AVALAI_API_KEY"],
    base_url="https://api.avalai.ir/v1",
)

response = client.responses.create(
    model="gpt-5.5",
    instructions="You are a helpful assistant.",
    input="سلام!",
)

print(response.output_text)

messages → input
پیام سیستمی → instructions یا آیتم developer
choices[0].message.content → response.output_text
برای ابزارها و خروجی‌های چندوجهی، response.output را بر اساس type بررسی کنید.

نکات مهم

مسیریابی مدل

شناسه‌های صریح deepseek-v4-flash و deepseek-v4-pro برای یکپارچه‌سازی‌های جدید توصیه می‌شوند. شناسه‌های سازگار زیر بدون نیاز به تغییر کد به مدل پایه V4 مربوط هدایت می‌شوند:

شناسه مدل	مدل پایه V4
`deepseek-chat`	`deepseek-v4-flash`
`deepseek-coder`	`deepseek-v4-flash`
`deepseek-reasoner`	`deepseek-v4-pro`
`deepseek-v3-0324`	`deepseek-v4-pro`
`deepseek-r1-0528`	`deepseek-v4-pro`
`deepseek-v3.1`	`deepseek-v4-pro`

همه این شناسه‌ها تعرفه ثابت مدل پایه مقصد را دارند. مدل‌های مجزایی مانند deepseek-v3.2 و deepseek-v3.2-speciale خارج از این جدول، مسیر و قیمت ثبت‌شده خود را حفظ می‌کنند.

پنجره زمینه

مدل‌های پایه DeepSeek V4 (deepseek-v4-flash و deepseek-v4-pro) پنجره زمینه ۱ میلیون توکنی دارند. شناسه‌های هدایت‌شده قابلیت‌ها و محدودیت‌های عملیاتی route مقصد خود را به ارث می‌برند؛ مقدار جاری را از /v1/models بررسی کنید.

پشتیبانی از فراخوانی تابع

DeepSeek-V3.1 از فراخوانی تابع از طریق Beta API پشتیبانی می‌کند که ادغام با ابزارها و خدمات خارجی را امکان‌پذیر می‌سازد.

تفاوت‌ها با خانواده‌های مدل دیگر

در حالی که AvalAI یک API یکپارچه ارائه می‌دهد، مدل‌های DeepSeek ویژگی‌های منحصر به فردی دارند:

استدلال ترکیبی: تمایز منحصر به فرد حالت تفکری/غیرتفکری، قابل تنظیم از طریق extra_body={"thinking": {"type": ...}}
DeepSeek Sparse Attention (DSA): فشرده‌سازی توکنی برای مدیریت کارآمد زمینه ۱ میلیون توکنی
تفکر در استفاده از ابزار: اولین خانواده که تفکر را مستقیما در استفاده از ابزار یکپارچه می‌کند
تمرکز بر عامل: به طور خاص برای وظایف عامل با ادغام عمیق با Claude Code، OpenClaw و OpenCode بهینه‌سازی شده
شفافیت استدلال: فرآیندهای تفکر آشکار از طریق فیلد reasoning_content در حالت تفکری
عملکرد رقابتی (V4): V4-Pro به SOTA متن‌باز در کدنویسی عاملی دست یافته؛ V4-Flash کیفیت نزدیک به V4-Pro را با کسری از هزینه ارائه می‌دهد (بر اساس بنچمارک‌های DeepSeek)

نسخه‌بندی مدل

deepseek-v4-flash: شناسه پایه سریع و اقتصادی V4
deepseek-v4-pro: شناسه پایه V4 برای استدلال پیشرفته؛ اکنون به‌صورت خودکار از DeepSeek-V4-Pro-0813 استفاده می‌کند
شناسه‌های سازگار جدول مسیریابی به یکی از این دو مدل پایه اشاره می‌کنند و همراه با مقصد خود به‌روزرسانی می‌شوند.
برای مشاهده وضعیت زنده هر route، از /v1/models استفاده کنید.

قیمت‌گذاری

مدل پایه	ورودی (Cache Hit)	ورودی (Cache Miss)	خروجی
`deepseek-v4-flash`	$0.007 / ۱ میلیون توکن	$0.22 / ۱ میلیون توکن	$0.66 / ۱ میلیون توکن
`deepseek-v4-pro`	$0.022 / ۱ میلیون توکن	$0.66 / ۱ میلیون توکن	$1.98 / ۱ میلیون توکن

این نرخ‌ها در AvalAI شبانه‌روزی ثابت هستند و برای تمام شناسه‌هایی که به مدل پایه مربوط هدایت می‌شوند نیز اعمال می‌شوند.

برای اطلاعات کامل قیمت‌گذاری، مراجعه کنید به:

جزئیات مدل - قیمت‌گذاری و مشخصات تفصیلی
قیمت‌گذاری - نمای کلی کامل قیمت‌گذاری

منابع مرتبط

API تکمیل گفتگو - نحوه استفاده از مدل‌های گفتگو
احراز هویت - نحوه احراز هویت با API AvalAI
محدودیت‌های نرخ - اطلاعات در مورد محدودیت‌های نرخ API
مدیریت خطا - نحوه مدیریت خطاها هنگام استفاده از API
فراخوانی تابع - راهنمای استفاده از فراخوانی تابع با مدل‌های DeepSeek
راهنمای استدلال - بهترین شیوه‌ها برای وظایف استدلال

مدل‌های DeepSeek ​

مدل‌های موجود ​

مدل‌های DeepSeek-V4 ​

deepseek-v4-flash ​

deepseek-v4-pro ​

نام‌های سازگار هدایت‌شده به DeepSeek V4 ​

deepseek-chat ​

deepseek-reasoner ​

deepseek-v3.2 ​

deepseek-v3.2-speciale ​

deepseek-v3.1 ​

قابلیت‌های کلیدی ​

استنتاج ترکیبی ​

جزئیات API حالت تفکری ​

مکالمات چند نوبتی ​

تفکر در استفاده از ابزار ​

مهارت‌های عامل بهبود یافته ​

استدلال پیشرفته ​

بنچمارک‌های عملکرد (بر اساس ادعاهای DeepSeek) ​

راهنمای انتخاب مدل ​

انتخاب بین deepseek-chat و deepseek-reasoner ​

اطلاعات قیمت‌گذاری ​

نکات قیمت‌گذاری ​

مقایسه عملکرد ​

بهترین شیوه‌ها برای مدل‌های DeepSeek ​

پرامپت‌نویسی مؤثر ​

دستورالعمل‌های سیستم ​

Temperature و Top_P ​

استفاده از مدل‌های DeepSeek از طریق AvalAI ​

نکات مهم ​

مسیریابی مدل ​

پنجره زمینه ​

پشتیبانی از فراخوانی تابع ​

تفاوت‌ها با خانواده‌های مدل دیگر ​

نسخه‌بندی مدل ​

قیمت‌گذاری ​

منابع مرتبط ​

مدل‌های DeepSeek

مدل‌های موجود

مدل‌های DeepSeek-V4

deepseek-v4-flash

deepseek-v4-pro

نام‌های سازگار هدایت‌شده به DeepSeek V4

deepseek-chat

deepseek-reasoner

deepseek-v3.2

deepseek-v3.2-speciale

deepseek-v3.1

قابلیت‌های کلیدی

استنتاج ترکیبی

جزئیات API حالت تفکری

مکالمات چند نوبتی

تفکر در استفاده از ابزار

مهارت‌های عامل بهبود یافته

استدلال پیشرفته

بنچمارک‌های عملکرد (بر اساس ادعاهای DeepSeek)

راهنمای انتخاب مدل

انتخاب بین deepseek-chat و deepseek-reasoner

اطلاعات قیمت‌گذاری

نکات قیمت‌گذاری

مقایسه عملکرد

بهترین شیوه‌ها برای مدل‌های DeepSeek

پرامپت‌نویسی مؤثر

دستورالعمل‌های سیستم

Temperature و Top_P

استفاده از مدل‌های DeepSeek از طریق AvalAI

نکات مهم

مسیریابی مدل

پنجره زمینه

پشتیبانی از فراخوانی تابع

تفاوت‌ها با خانواده‌های مدل دیگر

نسخه‌بندی مدل

قیمت‌گذاری

منابع مرتبط