پرسش از هوش مصنوعی

پرسش از AvalAI پرسش از Claude پرسش از ChatGPT

پرسش از هوش مصنوعی

پرسش از AvalAI پرسش از Claude پرسش از ChatGPT

افزودن پشتیبانی از ارائه‌دهنده MiniMax: مدل‌های استدلال M2.1 اکنون در دسترس

تاریخ: ۱۴۰۴-۱۰-۰۷ / (2025-12-28)

خلاصه

AvalAI پشتیبانی از MiniMax، یک ارائه‌دهنده جدید هوش مصنوعی، را با ۳ مدل جدید شامل مدل استدلال پرچم‌دار MiniMax M2.1 معرفی می‌کند. این مدل‌ها قابلیت‌های استثنایی برنامه‌نویسی چند زبانه، استدلال پیشرفته در سطح o3 و عملکرد برجسته در گردش‌های کاری کدنویسی عاملی ارائه می‌دهند. مدل‌های MiniMax از طریق هر دو SDK OpenAI و آنتروپیک قابل دسترسی هستند.

جزئیات

MiniMax

MiniMax یک شرکت هوش مصنوعی متمرکز بر توسعه مدل‌های پایه پیشرو برای متن، گفتار، ویدیو و موسیقی است. سری مدل‌های M2.1 آن‌ها قابلیت‌های استدلال عمیق را با کارایی استثنایی ترکیب می‌کند و کارایی ۲۰ برابر بهتر از مدل‌های استدلال مشابه را به دست می‌آورد. مستندات رسمی

ویژگی‌های کلیدی:

قابلیت‌های استثنایی برنامه‌نویسی چند زبانه: عملکرد بهبود یافته سیستماتیک در Rust، Java، Golang، C++، Kotlin، Objective-C، TypeScript، JavaScript و بیشتر
استدلال سطح o3: ترکیب استدلال عمیق با کارایی تا ۲۰ برابر بهتر
داربست عامل/ابزار برجسته: عملکرد عالی در Claude Code، Cline، Kilo Code، Roo Code و BlackBox
تفکر درهم‌تنیده (Interleaved Thinking): پشتیبانی بومی از استدلال بین تعاملات ابزار با بلوک‌های thinking
پاسخ‌های مختصر و کارآمد: سرعت پاسخ بهبود یافته و کاهش مصرف توکن
پنجره متن ۲۰۰K: پشتیبانی از مکالمات گسترده و پردازش اسناد
حداکثر ۱۲۸K توکن خروجی: قابلیت تولید گسترده برای وظایف پیچیده

مدل‌های موجود

شناسه مدل	نوع	توضیحات	سرعت خروجی
`minimax-m2.1`	تولید متن	مدل استدلال پرچم‌دار با عملکرد سطح o3	~60 tps
`minimax-m2.1-lightning`	تولید متن	نسخه سریع‌تر بهینه‌سازی شده برای سرعت	~100 tps
`minimax-m2`	تولید متن	نسل قبلی، قابلیت‌های عاملی	استاندارد

قابلیت‌های مدل:

ویژگی	جزئیات
پنجره متن	۲۰۴,۸۰۰ توکن
حداکثر توکن خروجی	۱۲۸,۰۰۰ توکن
فراخوانی ابزار	✓ پشتیبانی با تفکر درهم‌تنیده
استریمینگ	✓ پشتیبانی می‌شود
اندپوینت‌های پشتیبانی شده	`v1/chat/completions` (OpenAI)، `v1/messages` (Anthropic)
نقاط قوت	کدنویسی، استدلال، گردش‌های کاری عاملی، برنامه‌نویسی چند زبانه
بهترین کاربرد	وظایف کدنویسی پیچیده، اتوماسیون عاملی، مهندسی نرم‌افزار

قیمت‌گذاری:

مدل	ورودی ($/۱م توکن)	ورودی کش شده ($/۱م توکن)	ایجاد کش ($/۱م توکن)	خروجی ($/۱م توکن)
`minimax-m2.1`	$0.30	$0.03	$0.375	$1.20
`minimax-m2.1-lightning`	$0.30	$0.03	$0.375	$2.40
`minimax-m2`	$0.30	$0.03	$0.375	$1.20

روش‌های دسترسی SDK

مدل‌های MiniMax از طریق دو روش SDK قابل دسترسی هستند:

SDK	آدرس پایه	اندپوینت	بهترین برای
OpenAI SDK	`https://api.avalai.ir/v1`	`/v1/chat/completions`	تکمیل چت استاندارد
Anthropic SDK	`https://api.avalai.ir` (بدون /v1)	`/v1/messages`	بلوک‌های thinking بومی، استفاده از ابزار

مثال‌های درخواست/پاسخ API

تکمیل چت (فرمت OpenAI)

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "minimax-m2.1",
    "messages": [
      {
        "role": "user",
        "content": "یک تابع Rust برای پیاده‌سازی یک خزنده وب همزمان با محدودیت نرخ بنویس"
      }
    ]
  }'

پاسخ نمونه:

json

{
  "id": "chatcmpl-minimax-abc123",
  "created": 1766500800,
  "model": "minimax-m2.1",
  "object": "chat.completion",
  "choices": [
    {
      "finish_reason": "stop",
      "index": 0,
      "message": {
        "content": "در اینجا یک پیاده‌سازی خزنده وب همزمان در Rust با محدودیت نرخ آورده شده است:\n\n
```rust\nuse std::sync::Arc;\nuse tokio::sync::{Semaphore, RwLock};\nuse tokio::time::{sleep, Duration};\nuse reqwest::Client;\nuse std::collections::HashSet;\n\nstruct Crawler {\n    client: Client,\n    rate_limiter: Arc<Semaphore>,\n    visited: Arc<RwLock<HashSet<String>>>,\n    max_concurrent: usize,\n}\n...",
        "role": "assistant"
      }
    }
  ],
  "usage": {
    "completion_tokens": 512,
    "prompt_tokens": 24,
    "total_tokens": 536
  }
}

مثال‌های استفاده از SDK

OpenAI SDK - استفاده پایه

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "minimax-m2.1",
    "messages": [
      {
        "role": "user",
        "content": "یک سیستم احراز هویت JWT در Node.js با توکن‌های تازه‌سازی پیاده‌سازی کن"
      }
    ]
  }'

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="minimax-m2.1",
    messages=[
        {
            "role": "user",
            "content": "یک سیستم احراز هویت JWT در Node.js با توکن‌های تازه‌سازی پیاده‌سازی کن",
        }
    ],
)

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",
});

const response = await client.chat.completions.create({
  model: "minimax-m2.1",
  messages: [
    {
      role: "user",
      content: "یک سیستم احراز هویت JWT در Node.js با توکن‌های تازه‌سازی پیاده‌سازی کن",
    },
  ],
});

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

Anthropic SDK - استفاده پایه

مدل‌های MiniMax همچنین از طریق Anthropic SDK و اندپوینت v1/messages قابل دسترسی هستند. از base_url="https://api.avalai.ir" (بدون /v1) استفاده کنید.

PythonJavaScript

python

import anthropic

client = anthropic.Anthropic(
    api_key="your-avalai-api-key",
    base_url="https://api.avalai.ir",  # توجه: بدون /v1
)

message = client.messages.create(
    model="minimax-m2.1",
    max_tokens=4096,
    messages=[
        {"role": "user", "content": "یک سیستم احراز هویت JWT در Node.js پیاده‌سازی کن"}
    ],
)

print(message.content)

javascript

import Anthropic from "@anthropic-ai/sdk";

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

const message = await client.messages.create({
  model: "minimax-m2.1",
  max_tokens: 4096,
  messages: [
    { role: "user", content: "یک سیستم احراز هویت JWT در Node.js پیاده‌سازی کن" }
  ],
});

console.log(message.content);

Anthropic SDK - استفاده از ابزار با تفکر درهم‌تنیده

MiniMax M2.1 به صورت بومی از تفکر درهم‌تنیده (Interleaved Thinking) پشتیبانی می‌کند که به مدل اجازه می‌دهد بین هر دور تعامل با ابزار استدلال کند. قبل از هر استفاده از ابزار، مدل روی محیط فعلی و خروجی‌های ابزار تامل می‌کند تا اقدام بعدی را تصمیم بگیرد.

PythonJavaScript

python

import anthropic
import json

client = anthropic.Anthropic(
    api_key="your-avalai-api-key",
    base_url="https://api.avalai.ir",  # توجه: بدون /v1
)

# تعریف ابزار: استعلام آب و هوا
tools = [
    {
        "name": "get_weather",
        "description": "دریافت آب و هوای یک مکان، کاربر باید ابتدا مکان را مشخص کند.",
        "input_schema": {
            "type": "object",
            "properties": {
                "location": {
                    "type": "string",
                    "description": "شهر و کشور، مثلا تهران، ایران",
                }
            },
            "required": ["location"],
        },
    }
]


def send_messages(messages):
    response = client.messages.create(
        model="minimax-m2.1",
        max_tokens=4096,
        messages=messages,
        tools=tools,
    )
    return response


def process_response(response):
    thinking_blocks = []
    text_blocks = []
    tool_use_blocks = []

    for block in response.content:
        if block.type == "thinking":
            thinking_blocks.append(block)
            print(f"💭 تفکر>\n{block.thinking}\n")
        elif block.type == "text":
            text_blocks.append(block)
            print(f"💬 مدل>\t{block.text}")
        elif block.type == "tool_use":
            tool_use_blocks.append(block)
            print(
                f"🔧 ابزار>\t{block.name}({json.dumps(block.input, ensure_ascii=False)})"
            )

    return thinking_blocks, text_blocks, tool_use_blocks


# 1. پرسش کاربر
messages = [{"role": "user", "content": "آب و هوای تهران چگونه است؟"}]
print(f"\n👤 کاربر>\t {messages[0]['content']}")

# 2. مدل پاسخ اول را برمی‌گرداند (ممکن است شامل فراخوانی ابزار باشد)
response = send_messages(messages)
thinking_blocks, text_blocks, tool_use_blocks = process_response(response)

# 3. اگر فراخوانی ابزار وجود دارد، ابزار را اجرا کن و مکالمه را ادامه بده
if tool_use_blocks:
    # ⚠️ مهم: پاسخ کامل دستیار را به تاریخچه پیام اضافه کن
    # response.content شامل تمام بلوک‌ها است: [بلوک thinking، بلوک text، بلوک tool_use]
    messages.append({"role": "assistant", "content": response.content})

    # اجرای ابزار و بازگرداندن نتیجه (شبیه‌سازی فراخوانی API آب و هوا)
    print(f"\n🔨 در حال اجرای ابزار: {tool_use_blocks[0].name}")
    tool_result = "24℃، آفتابی"
    print(f"📊 نتیجه ابزار: {tool_result}")

    # اضافه کردن نتیجه اجرای ابزار
    messages.append(
        {
            "role": "user",
            "content": [
                {
                    "type": "tool_result",
                    "tool_use_id": tool_use_blocks[0].id,
                    "content": tool_result,
                }
            ],
        }
    )

    # 4. دریافت پاسخ نهایی
    final_response = send_messages(messages)
    process_response(final_response)

javascript

import Anthropic from "@anthropic-ai/sdk";

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

const tools = [
  {
    name: "get_weather",
    description: "دریافت آب و هوای یک مکان، کاربر باید ابتدا مکان را مشخص کند.",
    input_schema: {
      type: "object",
      properties: {
        location: {
          type: "string",
          description: "شهر و کشور، مثلا تهران، ایران",
        }
      },
      required: ["location"]
    }
  }
];

async function sendMessages(messages) {
  return await client.messages.create({
    model: "minimax-m2.1",
    max_tokens: 4096,
    messages: messages,
    tools: tools,
  });
}

// پرسش کاربر
let messages = [{ role: "user", content: "آب و هوای تهران چگونه است؟" }];
console.log(`👤 کاربر: ${messages[0].content}`);

// دریافت پاسخ اولیه
let response = await sendMessages(messages);

// پردازش بلوک‌های پاسخ
for (const block of response.content) {
  if (block.type === "thinking") {
    console.log(`💭 تفکر: ${block.thinking}`);
  } else if (block.type === "text") {
    console.log(`💬 مدل: ${block.text}`);
  } else if (block.type === "tool_use") {
    console.log(`🔧 ابزار: ${block.name}(${JSON.stringify(block.input)})`);
    
    // اضافه کردن پاسخ دستیار به تاریخچه
    messages.push({ role: "assistant", content: response.content });
    
    // شبیه‌سازی اجرای ابزار
    const toolResult = "24℃، آفتابی";
    messages.push({
      role: "user",
      content: [{ type: "tool_result", tool_use_id: block.id, content: toolResult }]
    });
    
    // دریافت پاسخ نهایی
    const finalResponse = await sendMessages(messages);
    for (const finalBlock of finalResponse.content) {
      if (finalBlock.type === "text") {
        console.log(`💬 نهایی: ${finalBlock.text}`);
      }
    }
  }
}

OpenAI SDK - فراخوانی تابع

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "minimax-m2.1",
    "messages": [
      {
        "role": "user",
        "content": "آب و هوای توکیو چگونه است؟"
      }
    ],
    "tools": [
      {
        "type": "function",
        "function": {
          "name": "get_weather",
          "description": "دریافت اطلاعات آب و هوای فعلی برای یک مکان",
          "parameters": {
            "type": "object",
            "properties": {
              "location": {
                "type": "string",
                "description": "نام شهر، مثلا توکیو"
              },
              "unit": {
                "type": "string",
                "enum": ["celsius", "fahrenheit"],
                "description": "واحد دما"
              }
            },
            "required": ["location"]
          }
        }
      }
    ],
    "tool_choice": "auto"
  }'

python

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 اطلاعات آب و هوای فعلی برای یک مکان",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "نام شهر، مثلا توکیو",
                    },
                    "unit": {
                        "type": "string",
                        "enum": ["celsius", "fahrenheit"],
                        "description": "واحد دما",
                    },
                },
                "required": ["location"],
            },
        },
    }
]

response = client.chat.completions.create(
    model="minimax-m2.1",
    messages=[{"role": "user", "content": "آب و هوای توکیو چگونه است؟"}],
    tools=tools,
    tool_choice="auto",
)

print(response.choices[0].message)

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 اطلاعات آب و هوای فعلی برای یک مکان",
      parameters: {
        type: "object",
        properties: {
          location: {
            type: "string",
            description: "نام شهر، مثلا توکیو",
          },
          unit: {
            type: "string",
            enum: ["celsius", "fahrenheit"],
            description: "واحد دما",
          },
        },
        required: ["location"],
      },
    },
  },
];

const response = await client.chat.completions.create({
  model: "minimax-m2.1",
  messages: [{ role: "user", content: "آب و هوای توکیو چگونه است؟" }],
  tools: tools,
  tool_choice: "auto",
});

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

MiniMax M2.1 Lightning (حالت سریع)

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "minimax-m2.1-lightning",
    "messages": [
      {
        "role": "user",
        "content": "تفاوت بین async/await و Promises در جاوااسکریپت را توضیح بده"
      }
    ]
  }'

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="minimax-m2.1-lightning",
    messages=[
        {
            "role": "user",
            "content": "تفاوت بین async/await و Promises در جاوااسکریپت را توضیح بده",
        }
    ],
)

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",
});

const response = await client.chat.completions.create({
  model: "minimax-m2.1-lightning",
  messages: [
    {
      role: "user",
      content: "تفاوت بین async/await و Promises در جاوااسکریپت را توضیح بده",
    },
  ],
});

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

تفکر درهم‌تنیده: مفاهیم کلیدی

قابلیت تفکر درهم‌تنیده (Interleaved Thinking) در MiniMax M2.1 به مدل اجازه می‌دهد بین تعاملات ابزار استدلال کند، که آن را برای گردش‌های کاری عاملی بسیار قدرتمند می‌سازد.

نحوه کار

قبل از استفاده از ابزار: مدل روی محیط فعلی تامل می‌کند و تصمیم می‌گیرد کدام ابزار را فراخوانی کند
بعد از نتیجه ابزار: مدل خروجی ابزار را تحلیل می‌کند و اقدام بعدی را برنامه‌ریزی می‌کند
زنجیره تفکر: زنجیره استدلال کامل در طول چندین تعامل ابزار حفظ می‌شود

بهترین شیوه‌ها

حفظ پاسخ کامل: همیشه response.content کامل (شامل بلوک‌های thinking) را به تاریخچه پیام اضافه کنید
محتوا را تغییر ندهید: بلوک‌های thinking را دست‌نخورده نگه دارید - آن‌ها تداوم استدلال را حفظ می‌کنند
از Anthropic SDK استفاده کنید: برای پشتیبانی بومی از بلوک thinking، از Anthropic SDK با base_url="https://api.avalai.ir" استفاده کنید

فرمت پاسخ

هنگام استفاده از Anthropic SDK، پاسخ‌ها شامل سه نوع بلوک هستند:

نوع بلوک	توضیحات
`thinking`	فرآیند استدلال داخلی مدل
`text`	محتوای متنی خروجی مدل
`tool_use`	اطلاعات فراخوانی ابزار با نام تابع و آرگومان‌ها

افزودن پشتیبانی از ارائه‌دهنده MiniMax: مدل‌های استدلال M2.1 اکنون در دسترس ​

خلاصه ​

جزئیات ​

MiniMax ​

مدل‌های موجود ​

روش‌های دسترسی SDK ​

مثال‌های درخواست/پاسخ API ​

تکمیل چت (فرمت OpenAI) ​

مثال‌های استفاده از SDK ​

OpenAI SDK - استفاده پایه ​

Anthropic SDK - استفاده پایه ​

Anthropic SDK - استفاده از ابزار با تفکر درهم‌تنیده ​

OpenAI SDK - فراخوانی تابع ​

MiniMax M2.1 Lightning (حالت سریع) ​

تفکر درهم‌تنیده: مفاهیم کلیدی ​

نحوه کار ​

بهترین شیوه‌ها ​

فرمت پاسخ ​

لینک‌های مرتبط ​

افزودن پشتیبانی از ارائه‌دهنده MiniMax: مدل‌های استدلال M2.1 اکنون در دسترس

خلاصه

جزئیات

MiniMax

مدل‌های موجود

روش‌های دسترسی SDK

مثال‌های درخواست/پاسخ API

تکمیل چت (فرمت OpenAI)

مثال‌های استفاده از SDK

OpenAI SDK - استفاده پایه

Anthropic SDK - استفاده پایه

Anthropic SDK - استفاده از ابزار با تفکر درهم‌تنیده

OpenAI SDK - فراخوانی تابع

MiniMax M2.1 Lightning (حالت سریع)

تفکر درهم‌تنیده: مفاهیم کلیدی

نحوه کار

بهترین شیوه‌ها

فرمت پاسخ

لینک‌های مرتبط