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 Kimi K3.1 Pro، MiniMax M3.1 Flash و مدل‌های جدید Muse

Date: ۱۴۰۵-۰۸-۰۳ / (2026-10-25)

خلاصه

مدل‌های Kimi K3.1 Pro و Highspeed، MiniMax M3.1 Flash، Meta Muse Wonder و Muse Spark Open اکنون در AvalAI در دسترس‌اند. این پنج شناسه، گزینه‌هایی برای برنامه‌نویسی، استدلال و کار با متن‌های بلند فراهم می‌کنند. سطح دسترسی، سقف توکن و نرخ نهایی آن‌ها در ادامه آمده است، همراه با یک نمونه مشترک Chat Completions.

جزئیات

Moonshot AI: مدل‌های Kimi K3.1 Pro و Highspeed

kimi-k3.1-pro مدل K3.1 Pro شرکت Moonshot AI است. سازنده آن را نسخه‌ای از Kimi K3 با آموزش تکمیلی برای برنامه‌نویسی، کارهای دانشی، درک تصویر و کارهایی معرفی می‌کند که به چندین مرحله استفاده از ابزار نیاز دارند. می‌توانید آن را برای بازبینی یک پروژه، برنامه‌ریزی مهاجرت نرم‌افزار یا تحلیل اسناد ارزیابی کنید؛ کیفیت پاسخ‌ها را با نمونه‌های واقعی کار خود بسنجید.
kimi-k3.1-pro-highspeed گزینه Highspeed با قیمت بالاتر است. Moonshot AI می‌گوید این گزینه با همان سطح توانایی، تقریباً ۲ تا ۳ برابر سریع‌تر متن تولید می‌کند. این مقایسه از سازنده است و اندازه‌گیری تأخیر یا تضمین سرعت در AvalAI محسوب نمی‌شود.

اطلاعات انتشار سازنده به تاریخ ۱۴۰۵-۰۸-۰۲ (2026-10-24) مربوط است. سازنده انتشار وزن‌ها را تا ۱۴۰۵-۰۸-۱۳ (2026-11-04) برنامه‌ریزی کرده است؛ این خبر به معنای در دسترس بودن فایل وزن‌ها در زمان حاضر نیست. هر دو شناسه به سطح ۱ یا بالاتر در AvalAI نیاز دارند. بخش‌های Kimi Pro و Highspeed را در راهنمای ارائه‌دهنده ببینید.

MiniMax: مدل M3.1 Flash

minimax-m3.1-flash مدل M3.1 Flash شرکت MiniMax را اضافه می‌کند. سازنده این مدل را در ۱۴۰۵-۰۷-۲۷ (2026-10-19) منتشر کرده است. MiniMax آن را برای برنامه‌نویسی، استفاده از ابزار، عامل‌ها و گفت‌وگوهای طولانی معرفی می‌کند و در مستندات خود از درک متن، تصویر و ویدیو می‌گوید. اندازه‌گیری‌های منتشرشده درباره سرعت تولید، نتایج سازنده‌اند؛ سرعت و تأخیر در AvalAI به درخواست و شرایط سرویس بستگی دارند.

مستندات اختصاصی MiniMax برای این مدل، استدلال تطبیقی را در سرویس اصلی همیشه فعال توصیف می‌کند. خبر انتشار می‌گوید وزن‌ها بعداً منتشر می‌شوند، در حالی که راهنمای دیگری عبارت «وزن‌باز» را به کار می‌برد؛ این منابع وضعیت دسترسی فعلی به وزن‌های منتشرشده را روشن نمی‌کنند. شناسه AvalAI از سطح ۰ در دسترس است. نکات اتصال این مدل را در بخش ارائه‌دهنده MiniMax بخوانید.

Meta: مدل‌های Muse Wonder و Muse Spark Open

muse-wonder-1.0 مدل پیش‌نمایش Meta برای کارهای پیچیده مهندسی و عامل‌هایی است که برنامه‌ریزی می‌کنند، کار را واگذار می‌کنند و وظایف طولانی را پیش می‌برند. خروجی آن متن، از جمله کد و تحلیل است؛ این مدل تصویر تولید نمی‌کند. گزینه جداگانه Muse Wonder Full در اشتراک Muse Code شرکت Meta، همان شناسه AvalAI معرفی‌شده در این خبر نیست. دسترسی از سطح ۱ آغاز می‌شود. Muse Wonder در AvalAI را ببینید.
muse-spark-open مدل وزن‌باز Muse Spark Open، ساخته Meta است که در این مسیر AvalAI از طریق Fireworks AI میزبانی می‌شود. Meta آن را مدلی با معماری ترکیب متخصصان (mixture-of-experts)، ۸۱۶ میلیارد پارامتر در مجموع و ۴۲ میلیارد پارامتر فعال معرفی می‌کند؛ کاربردهای آن شامل استدلال، برنامه‌نویسی، کار با ابزار و درک تصویر است. سازنده مدل Meta است و مسیر میزبانی این انتساب را تغییر نمی‌دهد. دسترسی از سطح ۰ آغاز می‌شود. Muse Spark Open از طریق Fireworks AI را ببینید.

توضیحات سازندگان در بالا، توانایی‌های مدل‌ها را معرفی می‌کند. این توضیحات به‌تنهایی پشتیبانی AvalAI از ورودی ویدیو یا صوت، کنترل رایانه، اجرای ابزار یا همه گزینه‌های API اصلی ارائه‌دهندگان را اثبات نمی‌کند. روش اتصال مشترک در این خبر، POST https://api.avalai.ir/v1/chat/completions با پیام متنی و مقدار دقیق شناسه AvalAI در model است. پیش از افزودن فیلدهای اختیاری یا انتخاب نقطه پایانی دیگری، راهنمای ارائه‌دهنده و مرجع Chat Completions را بررسی کنید.

دسترسی و محدودیت توکن

این جدول سقف‌های جداگانه ثبت‌شده در فهرست AvalAI را بر حسب توکن نشان می‌دهد:

شناسه درخواست AvalAI	حداقل سطح	سقف ورودی	سقف خروجی
`kimi-k3.1-pro`	1	262144	262144
`kimi-k3.1-pro-highspeed`	1	262144	262144
`minimax-m3.1-flash`	0	1048576	1048576
`muse-wonder-1.0`	1	1048576	131072
`muse-spark-open`	0	1048576	ثبت نشده

از جمع سقف ورودی و خروجی، ظرفیت تضمین‌شده پنجره زمینه را نتیجه نگیرید و فرض نکنید که هر دو مقدار بیشینه در یک درخواست قابل استفاده‌اند. ورودی، بودجه خروجی درخواستی، مصرف توکن برای استدلال و محدودیت پنجره زمینه مشترک مدل باید با هم سازگار باشند. سقف خروجی ثبت‌نشده یعنی مقدار نامشخص، نه خروجی نامحدود. محدودیت نرخ درخواست و توکن برای حساب شما نیز برقرار است؛ محدودیت نرخ را ببینید.

محدودیت‌های سرویس اصلی در دو مورد تفاوت مهمی دارند:

Kimi در سرویس اصلی، پنجره زمینه مشترک ۱٬۰۴۸٬۵۷۶ توکنی را مستند کرده است. AvalAI اکنون برای هر سقف ورودی و خروجی Kimi، مقدار ۲۶۲٬۱۴۴ را ثبت کرده است؛ برای این مسیرها، محدودیت AvalAI را مبنا قرار دهید.
MiniMax یک پنجره زمینه ۱٬۰۰۰٬۰۰۰ توکنی را مستند کرده و برای تولید، ۱۳۱٬۰۷۲ توکن را پیشنهاد می‌کند؛ بیشینه تولید در مستندات اصلی ۵۲۴٬۲۸۸ است. این اعداد با سقف‌های جداگانه ۱٬۰۴۸٬۵۷۶ برای ورودی و خروجی در فهرست AvalAI تفاوت دارند. مقدار خروجی فهرست، تضمین تأییدشده تولید در سرویس اصلی نیست؛ هنگام تعیین اندازه درخواست واقعی، این اختلاف را در نظر بگیرید.

قیمت‌گذاری: نرخ پایه و نرخ نهایی AvalAI

همه قیمت‌های توکن در جدول‌های زیر، دلار آمریکا به ازای ۱٬۰۰۰٬۰۰۰ توکن هستند. «ورودی کش‌شده» نرخ ورودی‌ای است که واقعاً در حسابداری درخواست، خواندن از حافظه نهان (cache) محسوب می‌شود. «ایجاد کش» در مواردی که درج شده، دسته جداگانه‌ای است؛ این هزینه به همه توکن‌های ورودی اضافه نمی‌شود.

نرخ پایه AvalAI پیش از کارمزد پردازش مختص مدل:

مدل	ورودی	ورودی کش‌شده	ایجاد کش	خروجی
`kimi-k3.1-pro`	$2.00	$0.20	$4.00	$10.00
`kimi-k3.1-pro-highspeed`	$4.00	$0.20	$8.00	$20.00
`minimax-m3.1-flash`	$0.15	$0.015	نرخ جداگانه درج نشده	$0.60
`muse-wonder-1.0`	$1.25	$0.15	نرخ جداگانه درج نشده	$4.25
`muse-spark-open`	$1.25	$0.15	نرخ جداگانه درج نشده	$4.25

نرخ نهایی AvalAI با احتساب کارمزد پردازش:

مدل	کارمزد پردازش	ورودی	ورودی کش‌شده	ایجاد کش	خروجی
`kimi-k3.1-pro`	0%	$2.00	$0.20	$4.00	$10.00
`kimi-k3.1-pro-highspeed`	15%	$4.60	$0.23	$9.20	$23.00
`minimax-m3.1-flash`	0%	$0.15	$0.015	نرخ جداگانه درج نشده	$0.60
`muse-wonder-1.0`	15%	$1.4375	$0.1725	نرخ جداگانه درج نشده	$4.8875
`muse-spark-open`	0%	$1.25	$0.15	نرخ جداگانه درج نشده	$4.25

از میان این پنج مدل تازه، کارمزد پردازش ۱۵ درصدی فقط به kimi-k3.1-pro-highspeed و muse-wonder-1.0 تعلق دارد. نرخ پایه آن‌ها را فقط یک بار در 1.15 ضرب کنید. قیمت‌های فهرست AvalAI و صفحه قیمت‌گذاری از قبل این کارمزد را در بر دارند؛ هنگام برآورد صورتحساب، دوباره آن را اضافه نکنید. در این خبر، کارمزد پردازش تازه‌ای برای Pro، Flash یا Spark Open اعمال نمی‌شود.

این اعداد، نرخ پایه و نهایی اعلام‌شده برای AvalAI هستند. فهرست فعلی Model API مستقیم Meta برای Muse Wonder، به ازای هر ۱ میلیون توکن، $4.00 ورودی، $0.20 ورودی کش‌شده و $20.00 خروجی را نشان می‌دهد که با نرخ پایه AvalAI در بالا تفاوت دارد. نرخ اعلام‌شده AvalAI را قیمت رسمی فعلی Meta معرفی نکنید و هزینه AvalAI را از جدول آن سرویس جداگانه به دست نیاورید.

اثر کش بر صورتحساب

دسته‌های توکن بازگردانده‌شده برای درخواست واقعی را مبنا قرار دهید. خواندن از کش، ایجاد ورودی تازه در کش و ورودی معمولی کش‌نشده، دسته‌های حسابداری متفاوت‌اند؛ یک توکن را هم‌زمان ورودی معمولی و خواندن یا نوشتن کش حساب نکنید. خروجی، از جمله توکن‌های استدلال مشمول هزینه در موارد مربوط، جداگانه محاسبه می‌شود. در حسابداری فرضی نمونه‌های متنی زیر، هیچ ایجاد کش یا خواندن از کش وجود ندارد.

قیمت‌های نوشتن کش یک‌ساعته در سرویس اصلی Kimi با نرخ‌های پایه ایجاد کش در بالا برابرند. این برابری عددی، ماندگاری یک‌ساعته کش در AvalAI یا پشتیبانی از فیلد خاصی برای کنترل کش را تضمین نمی‌کند. MiniMax در سرویس اصلی، کش خودکار پیشوند را برای درخواست‌هایی با دست‌کم ۵۱۲ توکن ورودی مستند کرده است: ورودی تازه با نرخ ورودی معمولی و خواندن موفق از کش با نرخ ورودی کش‌شده محاسبه می‌شود. این ویژگی، خواندن موفق از کش یا مدت ماندگاری آن را در AvalAI تضمین نمی‌کند. برای Flash، Wonder و Spark Open، در این خبر نرخ جداگانه ایجاد کش درج نشده است؛ نبود این ردیف به معنای کش شدن هر درخواست یا رایگان بودن ایجاد کش نیست.

نمونه درخواست و پاسخ API

یک درخواست متنی با پنج شناسه دقیق مدل

متغیر AVALAI_API_KEY را در محیط سمت سرور قرار دهید. زبانه‌های SDK از بسته OpenAI Python یا OpenAI JavaScript با نشانی پایه /v1 در AvalAI استفاده می‌کنند. درخواست curl برای اتصال، مهلت ۱۰ ثانیه‌ای و برای کل درخواست، مهلت ۶۰ ثانیه‌ای دارد و تکرار خودکار انجام نمی‌دهد. هر دو کلاینت SDK مهلت ۶۰ ثانیه‌ای دارند و تکرار داخلی آن‌ها غیرفعال است. هر برنامه یک درخواست می‌فرستد.

این نمونه کوچک، max_tokens: 256 را به‌عنوان بودجه خروجی Chat Completions به کار می‌برد. مدل‌های استدلالی ممکن است این بودجه را صرف استدلال کنند و متن نهایی اندک یا خالی برگردانند، یا با وضعیت length پایان یابند. برای کارهای واقعی، در محدوده سقف مسیر انتخاب‌شده، بودجه بزرگ‌تر و مهلت مناسبی در نظر بگیرید. پاسخ نهایی و وضعیت stop که در ادامه آمده، صرفاً نمونه‌اند و این متن درخواست آن‌ها را تضمین نمی‌کند.

BashPythonJavaScript

bash

curl --silent --show-error --fail-with-body \
  --connect-timeout 10 --max-time 60 --retry 0 \
  https://api.avalai.ir/v1/chat/completions \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -H 'Content-Type: application/json' \
  --data-binary '{
    "model": "kimi-k3.1-pro",
    "messages": [
      {
        "role": "user",
        "content": "Give a concise checklist for reviewing an API change."
      }
    ],
    "max_tokens": 256
  }'

python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["AVALAI_API_KEY"],
    base_url="https://api.avalai.ir/v1",
    timeout=60.0,
    max_retries=0,
)

completion = client.chat.completions.create(
    model="kimi-k3.1-pro",
    messages=[
        {
            "role": "user",
            "content": "Give a concise checklist for reviewing an API change.",
        }
    ],
    max_tokens=256,
)

print(completion.model_dump_json(indent=2))

javascript

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.AVALAI_API_KEY,
  baseURL: "https://api.avalai.ir/v1",
  timeout: 60_000,
  maxRetries: 0,
});

const completion = await client.chat.completions.create({
  model: "kimi-k3.1-pro",
  messages: [
    {
      role: "user",
      content: "Give a concise checklist for reviewing an API change.",
    },
  ],
  max_tokens: 256,
});

console.log(JSON.stringify(completion, null, 2));

جدول زیر پنج بدنه درخواست مجزا را تعریف می‌کند: نمونه کامل بالا را به کار ببرید و فقط رشته model را با مقدار دقیق ردیف دلخواه جایگزین کنید. نقطه پایانی، پیام و max_tokens: 256 را تغییر ندهید. همین جایگزینی در زبانه‌های curl، Python و JavaScript نیز برقرار است؛ چهار درخواست دیگر به فیلد اضافه نیاز ندارند.

مقدار دقیق برای جایگزینی `model`	هزینه فرضی دلار: ۲۰ توکن ورودی کش‌نشده + ۱۰۰ توکن خروجی
`kimi-k3.1-pro`	$0.0010400000
`kimi-k3.1-pro-highspeed`	$0.0023920000
`minimax-m3.1-flash`	$0.0000630000
`muse-wonder-1.0`	$0.0005175000
`muse-spark-open`	$0.0004500000

پاسخ کامل و فرضی

این پاسخ ساختگی و صرفاً نمونه‌ای از پاسخ بدون جریان است و از یک درخواست واقعی AvalAI به دست نیامده است. تعداد ۲۰ توکن ورودی و ۱۰۰ توکن خروجی را برای نمایش محاسبه هزینه انتخاب کرده‌ایم؛ این اعداد با توکن‌ساز یا درخواست واقعی اندازه‌گیری نشده‌اند. با نرخ نهایی Pro، محاسبه برابر است با (20 × 2.00 + 100 × 10.00) / 1000000 = $0.0010400000.

json

{
  "id": "chatcmpl-illustrative-kimi-k31-pro",
  "created": 1792886400,
  "model": "kimi-k3.1-pro",
  "object": "chat.completion",
  "system_fingerprint": null,
  "choices": [
    {
      "finish_reason": "stop",
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "Check backward compatibility, request and response schemas, authentication, error handling, rate limits, tests, and documentation."
      }
    }
  ],
  "usage": {
    "prompt_tokens": 20,
    "completion_tokens": 100,
    "total_tokens": 120,
    "prompt_tokens_details": {
      "cached_tokens": 0
    },
    "completion_tokens_details": null
  },
  "estimated_cost": {
    "unit": "0.0010400000",
    "irt": null,
    "exchange_rate": null
  }
}

متن نهایی را از choices[0].message.content بخوانید و finish_reason، usage و estimated_cost را بررسی کنید. برای چهار حالت فرضی دیگر، مقدار متناظر model و estimated_cost.unit را از جدول جایگزین کنید؛ تعداد توکن‌های انتخاب‌شده فقط در این مثال حسابی یکسان می‌ماند. پاسخ‌های واقعی می‌توانند متن، علت پایان، تعداد توکن، جزئیات اختیاری استدلال، جزئیات کش و فیلدهای هزینه متفاوتی داشته باشند. بازگشت همان شناسه مدل در پاسخ، به‌تنهایی نسخه زیربنایی را مشخص نمی‌کند.

در این نمونه، estimated_cost.unit برآورد دلار را نشان می‌دهد. مقدار irt و exchange_rate برابر null است، زیرا هیچ نرخ تبدیلی مشاهده نشده است؛ مقدار نامشخص را با صفر جایگزین نکنید. برای صورتحساب واقعی، حسابداری بازگردانده‌شده را مبنا قرار دهید، نه این تعداد توکن فرضی را. نمونه‌ها درخواست متنی پایه را معرفی می‌کنند؛ آن‌ها پشتیبانی AvalAI از ابزارهای اختیاری، خروجی ساخت‌یافته، ورودی تصویر، پاسخ جریانی یا تنظیمات استدلال سرویس اصلی را تأیید نمی‌کنند.

اتصال و رفع اشکال

احراز هویت و دسترسی حساب: کلید را در سمت سرور نگه دارید. در خطای احراز هویت، متغیر محیطی و هدر Authorization را بررسی کنید. برای خطای مجوز یا دسترسی به مدل، شناسه دقیق و حداقل سطح جدول را بررسی کنید.
فیلد نامعتبر یا درخواست بیش از حد بزرگ: بدنه خطای پاسخ و محدودیت مسیر انتخاب‌شده را بررسی کنید. مستندات اصلی Kimi و MiniMax، max_completion_tokens را به جای max_tokens منسوخ‌شده ترجیح می‌دهند؛ نمونه منتشرشده از فیلد مشترک Chat Completions در AvalAI استفاده می‌کند. قواعد پارامتر یا تنظیمات استدلال سرویس اصلی را بدون بررسی سازگاری AvalAI به این درخواست اضافه نکنید. نباید فرض کنید که مقدار none استدلال Kimi یا Flash را در سرویس اصلی غیرفعال می‌کند.
پاسخ خالی یا ناقص: finish_reason و مصرف استدلال بازگردانده‌شده را بررسی کنید. اگر استدلال بودجه را مصرف کرده است، بودجه خروجی را افزایش دهید؛ متن نهایی خالی را پاسخ معتبر تلقی نکنید.
وضعیت ۴۲۹ و خطای موقت سرویس: کد خطا را همراه وضعیت HTTP بررسی کنید. محدودیت نرخ می‌تواند تکرار محدود پس از تأخیر اعلام‌شده را توجیه کند؛ خطای نهایی quota_exceeded یا insufficient_quota به رسیدگی حساب نیاز دارد. این نمونه‌ها عمداً فقط یک بار درخواست می‌فرستند.
پایان مهلت و بررسی خطا: ممکن است درخواست پس از پایان مهلت انتظار، پردازش شده و هزینه داشته باشد. پیش از تصمیم به تکرار، بدنه خطای بدون اطلاعات حساس، وضعیت HTTP، مدل درخواستی و هدر پاسخ avalai-request-id را در صورت وجود نگه دارید. کلید API را در گزارش‌ها یا پیام پشتیبانی قرار ندهید. مدیریت خطا را ببینید.

هر مدل را با وظایف نماینده کار خود، از جمله ورودی فارسی در موارد مربوط، ارزیابی کنید. کد، محاسبات و آرگومان ابزارهای بازگردانده‌شده را در برنامه خود اعتبارسنجی کنید. خروجی مدل و ادعاهای سازنده درباره آزمون‌های عملکرد، جایگزین مجوزها، بررسی‌های قطعی یا بازبینی انسانی برای اقدام‌های مهم نیستند.

منابع رسمی

مستندات ارائه‌دهندگان برای این خبر در ۱۴۰۵-۰۸-۰۲ (2026-10-24) دریافت شده‌اند. توانایی‌های سازندگان و قیمت سرویس مستقیم آن‌ها، از اطلاعات دسترسی و هزینه AvalAI در بالا جدا هستند.

Kimi: خبر انتشار K3.1 Pro، شروع سریع، قیمت‌گذاری و کش زمینه.
MiniMax: خبر انتشار M3.1 Flash، فراخوانی مدل، ساختار Chat Completions و کش ورودی.
Meta: فهرست مدل‌ها، Muse Wonder، Muse Spark Open و استقرار Spark Open.

افزودن Kimi K3.1 Pro، MiniMax M3.1 Flash و مدل‌های جدید Muse ​

خلاصه ​

جزئیات ​

Moonshot AI: مدل‌های Kimi K3.1 Pro و Highspeed ​

MiniMax: مدل M3.1 Flash ​

Meta: مدل‌های Muse Wonder و Muse Spark Open ​

دسترسی و محدودیت توکن ​

قیمت‌گذاری: نرخ پایه و نرخ نهایی AvalAI ​

اثر کش بر صورتحساب ​

نمونه درخواست و پاسخ API ​

یک درخواست متنی با پنج شناسه دقیق مدل ​

پاسخ کامل و فرضی ​

اتصال و رفع اشکال ​

منابع رسمی ​

پیوندهای مرتبط ​