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

مدل‌های Alibaba (Qwen)

AvalAI دسترسی جامع به خانواده کامل مدل‌های Qwen شرکت Alibaba را از طریق زیرساخت رسمی ابری DashScope آن‌ها فراهم می‌کند. این مدل‌ها قابلیت‌های پیشرفته‌ای در زمینه تولید متن، پردازش چندوجهی، استدلال، ترجمه ماشینی و وظایف برنامه‌نویسی ارائه می‌دهند و همگی از طریق نقاط پایانی یکپارچه API ما قابل دسترسی هستند.

مهم: پارامتر `enable_thinking`

⚠️ نکته برای درخواست‌های غیر استریمینگ: اکثر مدل‌های Alibaba Qwen نیاز دارند که شما به صورت صریح پارامتر extra_body را با مقدار {"enable_thinking": False} هنگام ارسال درخواست‌های غیر استریمینگ (stream=False) تنظیم کنید. بدون این پارامتر، DashScope ممکن است خطا برگرداند.
الزامات کلیدی:
درخواست‌های غیر استریمینگ: باید شامل extra_body={"enable_thinking": False} باشند
درخواست‌های استریمینگ با تفکر: می‌توانند از extra_body={"enable_thinking": True} فقط با stream=True استفاده کنند
خطا در صورت نقض: تنظیم enable_thinking: True بدون استریمینگ منجر به خطای invalid_request می‌شود

مثال برای درخواست‌های غیر استریمینگ:

python

response = client.chat.completions.create(
    model="qwen3-8b",
    messages=[{"role": "user", "content": "سوال شما اینجا"}],
    stream=False,
    extra_body={"enable_thinking": False},  # الزامی برای غیر استریمینگ
)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `qwen3-8b` 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="سوال شما اینجا",
)

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.

مثال برای درخواست‌های استریمینگ با تفکر:

python

stream = client.chat.completions.create(
    model="qwen3-8b",
    messages=[{"role": "user", "content": "سوال شما اینجا"}],
    stream=True,
    extra_body={"enable_thinking": True},  # فقط با استریمینگ پشتیبانی می‌شود
)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `qwen3-8b` 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="سوال شما اینجا",
)

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.

مدل‌های موجود

مدل‌های Qwen شرکت Alibaba در چندین خانواده تخصصی سازماندهی شده‌اند که هر کدام برای موارد استفاده و نیازهای عملکردی مختلف بهینه‌سازی شده‌اند. همه مدل‌ها از v1/chat/completions پشتیبانی می‌کنند؛ پشتیبانی از v1/messages و v1/responses به مدل وابسته است. پرچم‌دار جدید qwen3.8-max از v1/chat/completions و v1/messages به‌طور کامل و از v1/responses به‌صورت جزئی پشتیبانی می‌کند.

سری Qwen Flash

مدل‌های با کارایی بالا که برای سرعت و بهره‌وری بهینه‌سازی شده‌اند و برای کاربردهایی که نیاز به زمان پاسخ سریع با کیفیت عالی دارند، ایده‌آل هستند.

⚠️ اطلاعیه منسوخ شدن: سری قدیمی qwen-turbo (شامل qwen-turbo، qwen-turbo-latest، qwen-turbo-2025-04-28) توسط علی‌بابا بین ۱۳ می ۲۰۲۶ و ۳۱ می ۲۰۲۶ از سرویس خارج می‌شود. لطفا به qwen-flash یا qwen3.6-flash مهاجرت کنید. برای جزئیات به صفحه منسوخ‌شدن‌ها مراجعه کنید.

ویژگی	qwen-flash	qwen-flash-2025-07-28
ارائه‌دهنده	DashScope	DashScope
مالک	Alibaba	Alibaba
پنجره زمینه	۱۳۱٬۰۷۲ توکن	۱۳۱٬۰۷۲ توکن
حداکثر توکن ورودی	۱۲۹٬۰۲۴	۱۲۹٬۰۲۴
حداکثر توکن خروجی	۱۶٬۳۸۴	۱۶٬۳۸۴
نقاط قوت	فوق‌سریع، قیمت طبقه‌ای	نسخه پایدار flash
بهترین برای	سرعت مقرون‌به‌صرفه	تولید flash

python

# مثال استفاده از Qwen3.6 Flash برای تولید سریع متن
response = client.chat.completions.create(
    model="qwen3.6-flash",
    messages=[
        {
            "role": "user",
            "content": "مزایای کلیدی انرژی تجدیدپذیر را در ۳ نکته خلاصه کنید.",
        }
    ],
    max_tokens=200,
    extra_body={"enable_thinking": False},  # الزامی برای درخواست‌های غیر استریمینگ
)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `qwen3.6-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 کلیدی انرژی تجدیدپذیر را در ۳ نکته 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.

سری Qwen3.8

qwen3.8-max

qwen3.8-max پرچم‌دار جدید mixture-of-experts شرکت Alibaba با ۲٫۴ تریلیون پارامتر برای کدنویسی بلندمدت، کار حرفه‌ای، درک چندوجهی و اجرای عاملی است. این مدل می‌تواند کارهای چندمرحله‌ای را در مکالمات طولانی برنامه‌ریزی، پیاده‌سازی و راستی‌آزمایی کند؛ از جمله پروژه‌هایی که بیش از ۱۰ روز ادامه دارند.

ویژگی	جزئیات
شناسه مدل	`qwen3.8-max`
پنجره زمینه	۱٬۰۰۰٬۰۰۰ توکن (حداکثر ۹۹۱٬۰۰۰ توکن ورودی)
حداکثر خروجی	۱۲۸٬۰۰۰ توکن
قیمت ورودی	$2.00 / 1M توکن
ساخت کش	$2.50 / 1M توکن
ورودی کش‌شده	$0.25 / 1M توکن
قیمت خروجی	$6.00 / 1M توکن
روش‌های ورودی	متن، تصویر، ویدئو
روش‌های خروجی	متن
اندپوینت‌های پشتیبانی‌شده	`v1/chat/completions` (کامل)، `v1/messages` (کامل)، `v1/responses` (جزئی)

ویژگی‌های کلیدی:

کدنویسی بلندمدت: برنامه‌ریزی، پیاده‌سازی، آزمایش و راستی‌آزمایی پروژه‌های نرم‌افزاری چندمرحله‌ای و حجیم
کار حرفه‌ای: تولید خروجی‌های سرتاسری در حوزه‌های حقوقی، مالی، طراحی و سایر زمینه‌های تخصصی
درک بصری بومی: استفاده از تصویر و ویدئوی طولانی در تمام مراحل برنامه‌ریزی، اجرا و راستی‌آزمایی
تحلیل اسناد بسیار طولانی: پردازش مخازن بزرگ و مجموعه اسناد گسترده در پنجره زمینه ۱ میلیون توکنی
حلقه‌های بازخورد عاملی: تکرار چرخه برنامه‌ریزی، استفاده از ابزار، اجرا و راستی‌آزمایی برای کارهای پیچیده
قابلیت‌های توسعه‌دهنده: فراخوانی تابع، انتخاب ابزار، خروجی ساختاریافته، کش پرامپت، جستجوی وب و استریمینگ
تفکر ترکیبی: برای استدلال عمیق‌تر از enable_thinking استفاده کنید و الزامات استریمینگ ابتدای این صفحه را رعایت کنید

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="qwen3.8-max",
    messages=[
        {
            "role": "user",
            "content": "این معماری را بررسی کن و یک برنامه پیاده‌سازی مرحله‌ای با دروازه‌های راستی‌آزمایی پیشنهاد بده.",
        }
    ],
    extra_body={"enable_thinking": False},
)

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

برای جزئیات عرضه، به‌روزرسانی ۳ اوت ۲۰۲۶ را ببینید.

سری Qwen3.7

نسل اختصاصی قبلی Qwen از Alibaba برای عصر عامل‌ها طراحی شده است. برای بالاترین توانایی فعلی در کارهای بلندمدت از qwen3.8-max، برای نسل قبلی Max از qwen3.7-max و برای گزینه کم‌هزینه‌تر با زمینه بلند، کدنویسی، استدلال و گردش‌کارهای چندوجهی از qwen3.7-plus استفاده کنید.

qwen3.7-max

پرچم‌دار قبلی Qwen Max که برای گردش‌کارهای عاملی ساخته شده است. این مدل قابلیت‌های کدنویسی پیشرو، استدلال قوی و اجرای خودکار بلندمدت در صدها یا هزاران فراخوانی ابزار را ارائه می‌دهد؛ برای جدیدترین نسل پرچم‌دار از qwen3.8-max استفاده کنید.

نکته قیمت‌گذاری: جدول زیر متادیتای فعلی مدل در AvalAI را نشان می‌دهد. پیش از نقل قیمت در گردش‌کارهای مشتری‌محور، با GET /v1/models/qwen3.7-max قیمت زنده را تأیید کنید.

ویژگی	جزئیات
شناسه مدل	`qwen3.7-max`
پنجره زمینه	۱٬۰۰۰٬۰۰۰ توکن
حداکثر خروجی	۶۵٬۵۳۶ توکن
قیمت ورودی	$2.50 / 1M توکن
ساخت کش	$3.125 / 1M توکن
ورودی کش‌شده	$0.25 / 1M توکن (۹۰٪ کاهش هزینه)
قیمت خروجی	$7.50 / 1M توکن
روش‌های ورودی	متن، تصویر، ویدیو
روش‌های خروجی	متن
اندپوینت‌های پشتیبانی‌شده	`v1/chat/completions`، `v1/responses` (نسبی)

ویژگی‌های کلیدی:

پایه عامل: ساخته شده برای عصر عامل‌ها — کدنویسی، بهره‌وری اداری و اجرای بلندمدت
عامل کدنویسی پیشرو: ۸۰.۴ در SWE-Verified، ۶۰.۶ در SWE-Pro، ۷۸.۳ در SWE-Multilingual، ۶۹.۷ در Terminal-Bench 2.0
استدلال قوی: ۹۲.۴ در GPQA Diamond، ۹۷.۱ در HMMT 2026 Feb، ۹۰.۰ در IMOAnswerBench، ۴۴.۵ در Apex
بنچمارک‌های عامل: ۶۰.۸ در MCP-Mark، ۷۶.۴ در MCP-Atlas، ۸۷.۰ در SpreadSheetBench-v1، ۷۵.۰ در BFCL-V4
اجرای بلندمدت: نمایش بهینه‌سازی خودکار ۳۵ ساعته کرنل با ۱٬۱۵۸ فراخوانی ابزار و افزایش سرعت ۱۰.۰ برابر
تعمیم میان چارچوب‌ها: عملکرد پایدار در Claude Code، OpenClaw، Qwen Code و چارچوب‌های سفارشی
تفکر ترکیبی: حالت استدلال اختیاری از طریق enable_thinking (فقط استریمینگ)
حفظ تفکر: توصیه‌شده برای گردش‌کارهای عاملی چندنوبتی از طریق preserve_thinking

عملکرد بنچمارک:

SWE-Verified: ۸۰.۴ (هم‌تراز با Opus-4.6 Max با ۸۰.۸)
SWE-Pro: ۶۰.۶ (در برابر K2.6 با ۵۹.۵)
SWE-Multilingual: ۷۸.۳ (در برابر Opus-4.6 با ۷۷.۵)
Terminal-Bench 2.0: ۶۹.۷ (در برابر DS-V4-Pro Max با ۶۷.۹)
NL2Repo: ۴۷.۲
HMMT 2026 Feb: ۹۷.۱ (بهترین در کلاس)
GPQA Diamond: ۹۲.۴ (بهترین در کلاس)
IMOAnswerBench: ۹۰.۰ (بهترین در کلاس)
MMLU-Pro: ۸۹.۶
MRCR-v2 128k: ۹۰.۴ (بهترین در کلاس)
WMT24++: ۸۵.۸ (بهترین در کلاس)

python

# مثال استفاده از Qwen3.7-Max برای وظایف عاملی بلندمدت
stream = client.chat.completions.create(
    model="qwen3.7-max",
    messages=[
        {
            "role": "user",
            "content": "یک CLI پایتون چندفایلی بساز که فایل‌های CSV را از S3 دانلود، اعتبارسنجی و ادغام کند.",
        }
    ],
    stream=True,
    extra_body={
        "enable_thinking": True,
        "preserve_thinking": True,
    },
)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `qwen3.7-max` 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 CLI پایتون چندفایلی بساز که فایل‌های CSV را از S3 دانلود، اعتبارسنجی و ادغام کند.",
)

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.

qwen3.7-plus

مدل متعادل Qwen3.7 برای چت عمومی باکیفیت، کدنویسی عاملی، استدلال چندوجهی و بارهای کاری تولیدی با زمینه بلند، زمانی که qwen3.7-max بیش از نیاز وظیفه است.

ویژگی	جزئیات
شناسه مدل	`qwen3.7-plus`
پنجره زمینه	تا ۱٬۰۰۰٬۰۰۰ توکن
حداکثر خروجی	۶۵٬۵۳۶ توکن
قیمت ورودی	$0.40 / 1M توکن
ساخت کش	$0.50 / 1M توکن
ورودی کش‌شده	$0.04 / 1M توکن
قیمت خروجی	$1.60 / 1M توکن
روش‌های ورودی	متن، تصویر، ویدیو
روش‌های خروجی	متن
اندپوینت‌های پشتیبانی‌شده	`v1/chat/completions`

بهترین برای:

بارهای کاری عمومی Qwen3.7 با هزینه کمتر از qwen3.7-max
عامل‌های کدنویسی، پرامپت‌های سنگین از نظر سند و تحلیل چندوجهی
برنامه‌های پرترافیکی که همچنان به زمینه بزرگ و رفتار آگاه از ابزار نیاز دارند

python

# نمونه استفاده از Qwen3.7-Plus برای کدنویسی عاملی متعادل
response = client.chat.completions.create(
    model="qwen3.7-plus",
    messages=[
        {
            "role": "user",
            "content": "این طرح معماری را بررسی کن و پرریسک‌ترین مراحل مهاجرت را مشخص کن.",
        }
    ],
    extra_body={"enable_thinking": False},
)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `qwen3.7-plus` 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 طرح معماری را بررسی کن و پرریسک‌ترین مراحل مهاجرت را مشخص کن.",
)

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.

سری Qwen3.6 Plus

مدل پرچم‌دار Qwen3.6 از Alibaba با ارتقاء قابلیت‌های عظیم، با پنجره زمینه ۱ میلیون توکن به صورت پیش‌فرض، قابلیت‌های کدنویسی عاملی بهبود یافته قابل توجه، و درک و استدلال چندحالتی بهتر.

qwen3.6-plus

یک مدل توانمند Qwen3.6 با قابلیت‌های پیشرفته کدنویسی عاملی و چندحالتی.

ویژگی	جزئیات
شناسه مدل	`qwen3.6-plus`
پنجره زمینه	۱٬۰۰۰٬۰۰۰ توکن (پیش‌فرض)
قیمت ورودی	۰.۵۰ دلار / ۱ میلیون توکن
قیمت ورودی (بالای ۲۵۶K)	۲.۰۰ دلار / ۱ میلیون توکن
ایجاد کش	۰.۶۲۵ دلار / ۱ میلیون توکن
ایجاد کش (بالای ۲۵۶K)	۲.۵۰ دلار / ۱ میلیون توکن
قیمت ورودی کش شده	۰.۰۵ دلار / ۱ میلیون توکن (۹۰٪ کاهش هزینه)
ورودی کش شده (بالای ۲۵۶K)	۰.۲۰ دلار / ۱ میلیون توکن
قیمت خروجی	۳.۰۰ دلار / ۱ میلیون توکن
قیمت خروجی (بالای ۲۵۶K)	۶.۰۰ دلار / ۱ میلیون توکن
ورودی‌های پشتیبانی‌شده	متن، تصویر
خروجی‌های پشتیبانی‌شده	متن
نقاط پایانی پشتیبانی‌شده	`v1/chat/completions`

ویژگی‌های کلیدی:

پنجره زمینه ۱M: زمینه پیش‌فرض یک میلیون توکن برای اسناد و مکالمات گسترده
کدنویسی عاملی SOTA: از توسعه فرانت‌اند وب تا حل مسائل سطح ریپو پیچیده
چندحالتی پیشرفته: دقت بیشتر و استدلال چندحالتی تیزتر
برتری عامل کدنویسی: ۷۸.۸٪ در SWE-bench Verified، ۶۱.۶٪ در Terminal-Bench 2.0
برنامه‌ریزی عمیق: ۴۱.۵٪ در معیار DeepPlanning (عملکرد پیشرو)
پشتیبانی MCP: ۴۸.۲٪ در MCPMark برای یکپارچه‌سازی Model Context Protocol
دکاتلون ابزار: عملکرد قوی در سناریوهای متنوع استفاده از ابزار

عملکرد معیار:

SWE-bench Verified: ۷۸.۸٪
SWE-bench Multilingual: ۷۳.۸٪
SWE-bench Pro: ۵۶.۶٪
Terminal-Bench 2.0: ۶۱.۶٪
TAU3-Bench: ۷۰.۷٪
DeepPlanning: ۴۱.۵٪
MCPMark: ۴۸.۲٪
MMLU-Pro: ۸۸.۵٪
SuperGPQA: ۷۱.۶٪

python

# نمونه استفاده از Qwen3.6-Plus برای کدنویسی عاملی
response = client.chat.completions.create(
    model="qwen3.6-plus",
    messages=[
        {
            "role": "user",
            "content": "این کدبیس را تحلیل کن و یک رفع باگ برای ماژول احراز هویت پیاده‌سازی کن.",
        }
    ],
    max_tokens=4000,
    extra_body={"enable_thinking": False},  # الزامی برای درخواست‌های غیر استریمینگ
)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `qwen3.6-plus` 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 کدبیس را تحلیل کن و یک رفع باگ برای ماژول احراز هویت پیاده‌سازی کن.",
)

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.

سری Qwen3.6 (Flash، 27B، 35B-A3B، Max-Preview)

چهار مدل جدید از سری Qwen3.6 با بهبودهای قابل‌توجه در کدنویسی عامل‌محور، استدلال STEM، هوشمندی فضایی و تشخیص اشیا نسبت به نسل Qwen3.5. انواع flash/27B/35B-A3B مدل‌های بینایی‌-زبانی بومی هستند؛ max-preview بزرگ‌ترین و توانمندترین نوع صرفا متنی است.

qwen3.6-flash

مدل Flash بینایی‌-زبانی بومی Qwen3.6 با پنجره زمینه ۱ میلیون توکنی و بهبود چشم‌گیر در کدنویسی عامل‌محور، استدلال ریاضی و هوشمندی فضایی نسبت به qwen3.5-flash.

ویژگی	جزئیات
شناسه مدل	`qwen3.6-flash`
پنجره زمینه	۱٬۰۰۰٬۰۰۰ توکن (قیمت‌گذاری رده‌یک ۲۵۶K)
حداکثر خروجی	۶۴K توکن
قیمت ورودی	$0.25 / 1M توکن
قیمت ورودی (بالای ۲۵۶K)	$1.00 / 1M توکن
ساخت کش	$0.3125 / 1M توکن
ساخت کش (بالای ۲۵۶K)	$1.25 / 1M توکن
قیمت ورودی کش‌شده	$0.025 / 1M توکن (۹۰٪ کاهش هزینه)
ورودی کش‌شده (بالای ۲۵۶K)	$0.10 / 1M توکن
قیمت خروجی	$1.50 / 1M توکن
قیمت خروجی (بالای ۱۲۸K)	$4.00 / 1M توکن
روش‌های ورودی	متن، تصویر، ویدیو
روش‌های خروجی	متن
اندپوینت‌های پشتیبانی‌شده	`v1/chat/completions`

ویژگی‌های کلیدی:

بینایی‌-زبانی بومی: پردازش بومی متن، تصویر و ویدیو
پنجره زمینه ۱M: زمینه گسترده برای اسناد و مکالمات طولانی
کدنویسی عامل‌محور: به‌طور قابل‌توجه از Qwen3.5-Flash در معیارهای code-agent بهتر عمل می‌کند
هوشمندی فضایی: بهبود چشم‌گیر در مکان‌یابی و تشخیص اشیا
تفکر عمیق: حالت استدلال اختیاری از طریق enable_thinking
پشتیبانی ابزار: فراخوانی توابع، خروجی ساختارمند و جستجوی وب

python

response = client.chat.completions.create(
    model="qwen3.6-flash",
    messages=[
        {
            "role": "user",
            "content": "Implement a binary search tree in Python with insert, delete, and in-order traversal methods.",
        }
    ],
    extra_body={"enable_thinking": True},
)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `qwen3.6-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="Implement a binary search tree in Python with insert, delete, and in-order traversal methods.",
)

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.

qwen3.6-27b

مدل متراکم بینایی‌-زبانی بومی ۲۷ میلیارد پارامتری Qwen3.6 با بهبودهای کلیدی در کدنویسی عامل‌محور، استدلال STEM و قابلیت‌های عامل بصری.

ویژگی	جزئیات
شناسه مدل	`qwen3.6-27b`
پنجره زمینه	۲۵۶٬۰۰۰ توکن
حداکثر خروجی	۶۴K توکن
قیمت ورودی	$0.60 / 1M توکن
قیمت ورودی کش‌شده	$0.06 / 1M توکن (۹۰٪ کاهش هزینه)
قیمت خروجی	$3.60 / 1M توکن
روش‌های ورودی	متن، تصویر، ویدیو
روش‌های خروجی	متن
اندپوینت‌های پشتیبانی‌شده	`v1/chat/completions`

ویژگی‌های کلیدی:

بینایی‌-زبانی بومی: پردازش بومی متن، تصویر و ویدیو
پنجره زمینه ۲۵۶K: زمینه گسترده برای وظایف پیچیده
استدلال STEM ارتقایافته: مهارت‌های بهبودیافته استدلال ریاضی و کدنویسی
عوامل بصری: پیشرفت در درک ویدیو، OCR اسناد و قابلیت‌های عامل بصری
تفکر عمیق: حالت استدلال اختیاری از طریق enable_thinking

python

response = client.chat.completions.create(
    model="qwen3.6-27b",
    messages=[
        {
            "role": "user",
            "content": "Analyze this diagram and extract the workflow steps.",
        }
    ],
    max_tokens=4096,
)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `qwen3.6-27b` 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="Analyze this diagram and extract the workflow steps.",
)

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.

qwen3.6-35b-a3b

مدل بینایی‌-زبانی بومی ۳۵B-A3B از Qwen3.6 با معماری ترکیبی متشکل از توجه خطی با چارچوب ترکیب پراکنده متخصصان (sparse MoE) برای راندمان استنتاج بالاتر.

ویژگی	جزئیات
شناسه مدل	`qwen3.6-35b-a3b`
پنجره زمینه	۲۵۶٬۰۰۰ توکن
حداکثر خروجی	۶۴K توکن
قیمت ورودی	$0.248 / 1M توکن
قیمت ورودی کش‌شده	$0.025 / 1M توکن (۹۰٪ کاهش هزینه)
قیمت خروجی	$1.485 / 1M توکن
روش‌های ورودی	متن، تصویر، ویدیو
روش‌های خروجی	متن
اندپوینت‌های پشتیبانی‌شده	`v1/chat/completions`

ویژگی‌های کلیدی:

معماری ترکیبی: توجه خطی همراه با MoE پراکنده برای راندمان بالاتر
کدنویسی عامل‌محور بهبودیافته: عملکرد به‌مراتب بهتر code-agent
هوشمندی فضایی: پیشرفت در مکان‌یابی و تشخیص اشیا
مقرون‌به‌صرفه: قیمت‌گذاری بسیار پایین به لطف فعال‌سازی پراکنده کارآمد
تفکر عمیق: حالت استدلال اختیاری از طریق enable_thinking

python

response = client.chat.completions.create(
    model="qwen3.6-35b-a3b",
    messages=[
        {
            "role": "user",
            "content": "Refactor this monolithic service into microservices.",
        }
    ],
    max_tokens=4096,
)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `qwen3.6-35b-a3b` 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="Refactor this monolithic service into microservices.",
)

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.

qwen3.6-max-preview

بزرگ‌ترین و توانمندترین نوع سری Qwen3.6 که در حالت پیش‌نمایش با قابلیت‌های صرفا متنی ارائه می‌شود. شامل vibe coding پیشرفته، اجرای کارآمد عامل کدنویسی و بازیابی دانش long-tail ارتقایافته.

ویژگی	جزئیات
شناسه مدل	`qwen3.6-max-preview`
پنجره زمینه	۲۵۶٬۰۰۰ توکن (قیمت‌گذاری رده‌یک ۱۲۸K)
حداکثر خروجی	۶۴K توکن
قیمت ورودی	$1.30 / 1M توکن
قیمت ورودی (بالای ۱۲۸K)	$2.00 / 1M توکن
ساخت کش	$1.625 / 1M توکن
ساخت کش (بالای ۱۲۸K)	$2.50 / 1M توکن
قیمت ورودی کش‌شده	$0.13 / 1M توکن (۹۰٪ کاهش هزینه)
ورودی کش‌شده (بالای ۱۲۸K)	$0.20 / 1M توکن
قیمت خروجی	$7.80 / 1M توکن
قیمت خروجی (بالای ۱۲۸K)	$12.00 / 1M توکن
روش‌های ورودی	متن
روش‌های خروجی	متن
اندپوینت‌های پشتیبانی‌شده	`v1/chat/completions`

ویژگی‌های کلیدی:

بزرگ‌ترین مدل Qwen3.6: توانمندترین نوع در سری Qwen3.6
Vibe Coding ارتقایافته: توسعه فرانت‌اند قوی‌تر و اجرای عامل کدنویسی
دانش Long-Tail: بازیابی دانش ارتقایافته برای موضوعات تخصصی
پنجره زمینه ۲۵۶K: زمینه گسترده برای وظایف پیچیده
تفکر عمیق: حالت استدلال اختیاری از طریق enable_thinking

python

response = client.chat.completions.create(
    model="qwen3.6-max-preview",
    messages=[
        {
            "role": "user",
            "content": "Build a polished Next.js landing page for a SaaS product with hero, features, testimonials, and pricing sections.",
        }
    ],
    max_tokens=8192,
)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `qwen3.6-max-preview` 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="Build a polished Next.js landing page for a SaaS product with hero, features, testimonials, and pricing sections.",
)

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.

سری Qwen Plus

مدل‌های متعادل که عملکرد عالی در وظایف متنوع ارائه می‌دهند و ترکیب بهینه‌ای از قابلیت و بهره‌وری فراهم می‌کنند.

ویژگی	qwen-plus	qwen-plus-latest	qwen-plus-2025-09-11	qwen-plus-2025-07-28	qwen-plus-2025-07-14	qwen-plus-2025-04-28
ارائه‌دهنده	DashScope	DashScope	DashScope	DashScope	DashScope	DashScope
مالک	Alibaba	Alibaba	Alibaba	Alibaba	Alibaba	Alibaba
پنجره زمینه	۱۳۱٬۰۷۲ توکن	۱۳۱٬۰۷۲ توکن	۱۳۱٬۰۷۲ توکن	۱۳۱٬۰۷۲ توکن	۱۳۱٬۰۷۲ توکن	۱۳۱٬۰۷۲ توکن
حداکثر توکن ورودی	۱۲۹٬۰۲۴	۱۲۹٬۰۲۴	۱۲۹٬۰۲۴	۱۲۹٬۰۲۴	۱۲۹٬۰۲۴	۱۲۹٬۰۲۴
حداکثر توکن خروجی	۱۶٬۳۸۴	۱۶٬۳۸۴	۱۶٬۳۸۴	۱۶٬۳۸۴	۱۶٬۳۸۴	۱۶٬۳۸۴
نقاط قوت	عملکرد متعادل	آخرین ویژگی‌ها	استدلال بهبود یافته	پایدار قبلی	انتشار پایدار	نسخه قدیمی
بهترین برای	وظایف عمومی	ویژگی‌های پیشرفته	تحلیل پیشرفته	استفاده تولیدی	تولید پایدار	سازگاری قدیمی

python

# مثال استفاده از Qwen Plus برای وظایف عمومی
response = client.chat.completions.create(
    model="qwen-plus",
    messages=[
        {"role": "user", "content": "مفهوم یادگیری ماشین را برای مبتدی توضیح دهید."}
    ],
    max_tokens=500,
    extra_body={"enable_thinking": False},  # الزامی برای درخواست‌های غیر استریمینگ
)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `qwen-plus` 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 یادگیری ماشین را برای مبتدی 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.

سری Qwen3 Max

مدل‌های پریمیوم طراحی‌شده برای پرتقاضاترین کاربردها که قابلیت‌های استدلال برتر و حل مسائل پیچیده ارائه می‌دهند.

جدید: مدل پرچم‌دار qwen3-max اکنون برای استدلال پیچیده و گردش‌های کاری عاملی در دسترس است. برای جزئیات به به‌روزرسانی ۵ ژوئن ۲۰۲۶ مراجعه کنید.

⚠️ اطلاعیه منسوخ شدن: سری قدیمی qwen-max (شامل qwen-max، qwen-max-latest، qwen-max-2025-01-25) توسط علی‌بابا بین ۱۳ می ۲۰۲۶ و ۳۱ می ۲۰۲۶ از سرویس خارج می‌شود. لطفا به qwen3.7-max، qwen3-max، qwen3.6-plus یا qwen3.6-max-preview مهاجرت کنید. برای جزئیات به صفحه منسوخ‌شدن‌ها مراجعه کنید.

ویژگی	qwen3-max	qwen3-max-2026-01-23	qwen3-max-preview
ارائه‌دهنده	DashScope	DashScope	DashScope
مالک	Alibaba	Alibaba	Alibaba
پنجره زمینه	۲۶۲٬۱۴۴ توکن	۲۶۲٬۱۴۴ توکن	۲۶۲٬۱۴۴ توکن
حداکثر توکن ورودی	۲۵۸٬۰۴۸	۲۵۸٬۰۴۸	۲۵۸٬۰۴۸
حداکثر توکن خروجی	۳۲٬۷۶۸	۳۲٬۷۶۸	۳۲٬۷۶۸
نقاط قوت	برنامه‌نویسی عامل بهبود یافته	آخرین نسخه	۱T+ پارامتر
بهترین برای	برنامه‌نویسی عامل، سناریوهای پیچیده	پایداری تولید	پرتقاضاترین وظایف

python

# مثال استفاده از Qwen3-Max برای وظایف برنامه‌نویسی عامل بهبود یافته
response = client.chat.completions.create(
    model="qwen3-max",
    messages=[
        {
            "role": "user",
            "content": "یک سیستم عامل هوشمند طراحی کنید که بتواند به طور خودکار گردش‌های کاری چندمرحله‌ای پیچیده را با قابلیت‌های فراخوانی ابزار مدیریت کند.",
        }
    ],
    max_tokens=2000,
    extra_body={"enable_thinking": False},  # الزامی برای درخواست‌های غیر استریمینگ
)

# مثال استفاده از Qwen3-Max-Preview برای پرتقاضاترین وظایف
response = client.chat.completions.create(
    model="qwen3-max-preview",
    messages=[
        {
            "role": "user",
            "content": "تحلیل جامعی از تاثیر بالقوه محاسبات کوانتومی بر رمزنگاری و امنیت داده‌ها انجام دهید.",
        }
    ],
    max_tokens=2000,
    extra_body={"enable_thinking": False},  # الزامی برای درخواست‌های غیر استریمینگ
)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `qwen3-max` 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="تحلیل جامعی از تاثیر بالقوه محاسبات کوانتومی بر رمزنگاری و امنیت داده‌ها انجام 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.

سری Qwen 3.5

مدل‌های بومی بینایی-زبان نسل بعدی که بر اساس معماری هیبریدی ساخته شده‌اند و مکانیزم‌های توجه خطی را با ترکیب پراکنده متخصصین ادغام می‌کنند و کارایی استنتاج بالاتری با عملکرد پیشرفته به دست می‌آورند.

ویژگی	qwen3.5-plus	qwen3.5-plus-2026-02-15	qwen3.5-flash	qwen3.5-397b-a17b	qwen3.5-35b-a3b
ارائه‌دهنده	DashScope	DashScope	DashScope	DashScope	DashScope
مالک	Alibaba	Alibaba	Alibaba	Alibaba	Alibaba
پارامترها	میزبانی شده	میزبانی شده	میزبانی شده	۳۹۷ میلیارد کل، ۱۷ میلیارد فعال	۳۵ میلیارد کل، ۳ میلیارد فعال
پنجره زمینه	۱٬۰۰۰٬۰۰۰ توکن	۱٬۰۰۰٬۰۰۰ توکن	۱٬۰۰۰٬۰۰۰ توکن	۱۳۱٬۰۷۲ توکن	۱۳۱٬۰۷۲ توکن
حداکثر توکن خروجی	۳۲٬۷۶۸	۳۲٬۷۶۸	۱۶٬۳۸۴	۱۶٬۳۸۴	۱۶٬۳۸۴
ورودی‌ها	متن، تصویر، ویدیو	متن، تصویر، ویدیو	متن، تصویر، ویدیو	متن، تصویر، ویدیو	متن، تصویر، ویدیو
نقاط قوت	زمینه ۱ میلیون، ابزارهای داخلی	نسخه پایدار	زمینه ۱ میلیون، کارایی بالا	Open-weight، عامل‌های قوی	Open-weight، MoE سبک
بهترین برای	زمینه طولانی، عامل‌های چندوجهی	استقرارهای تولیدی	زمینه طولانی مقرون به صرفه	استقرارهای متن‌باز	استقرار لبه، استنتاج کارآمد

ویژگی‌های کلیدی:

معماری هیبریدی: ادغام توجه خطی (از طریق Gated Delta Networks) با ترکیب پراکنده متخصصین برای کارایی استنتاج بالاتر
بینایی-زبان بومی: پردازش متن، تصویر و ویدیو به صورت بومی
پنجره زمینه ۱ میلیون: زمینه گسترده برای qwen3.5-plus و qwen3.5-flash از طریق Alibaba Cloud Model Studio
۲۰۱ زبان: گسترش پشتیبانی زبان و لهجه از ۱۱۹ به ۲۰۱ زبان
ابزارهای داخلی: پشتیبانی رسمی از استفاده تطبیقی ابزار برای گردش‌های کاری عاملی
تفکر عمیق: قابلیت‌های استدلال پیشرفته هم‌تراز با مدل‌های پیشرو
مدل‌های Open-Weight: qwen3.5-397b-a17b و qwen3.5-35b-a3b متن‌باز تحت مجوز Apache 2.0 هستند

قیمت‌گذاری:

مدل	ورودی	ورودی >256K	ایجاد کش	ایجاد کش >256K	ورودی کش‌شده	ورودی کش‌شده >256K	خروجی	خروجی >256K
qwen3.5-plus	$0.40/1M	$1.20/1M	$0.50/1M	$1.50/1M	$0.04/1M	$0.12/1M	$2.40/1M	$7.20/1M
qwen3.5-flash	$0.10/1M	$0.30/1M	$0.125/1M	$0.375/1M	$0.01/1M	$0.03/1M	$0.40/1M	$1.20/1M
qwen3.5-397b-a17b	$0.60/1M	-	-	-	$0.06/1M	-	$3.60/1M	-
qwen3.5-35b-a3b	$0.25/1M	-	-	-	$0.12/1M	-	$2.00/1M	-

python

# مثال استفاده از Qwen3.5 Plus برای وظایف عاملی چندوجهی
response = client.chat.completions.create(
    model="qwen3.5-plus",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "این تصویر را تحلیل کن و عناصر کلیدی را توصیف کن.",
                },
                {
                    "type": "image_url",
                    "image_url": {"url": "https://example.com/image.png"},
                },
            ],
        }
    ],
    max_tokens=2000,
    extra_body={"enable_thinking": False},  # الزامی برای درخواست‌های غیر استریمینگ
)

# مثال استفاده از Qwen3.5-397B برای وظایف استدلال پیچیده
response = client.chat.completions.create(
    model="qwen3.5-397b-a17b",
    messages=[
        {
            "role": "user",
            "content": "یک معماری نرم‌افزاری جامع برای سیستم میکروسرویس‌های توزیع‌شده طراحی کن.",
        }
    ],
    max_tokens=4000,
    extra_body={"enable_thinking": False},  # الزامی برای درخواست‌های غیر استریمینگ
)

# مثال استفاده از Qwen3.5-Flash برای پردازش زمینه طولانی مقرون به صرفه
response = client.chat.completions.create(
    model="qwen3.5-flash",
    messages=[
        {
            "role": "user",
            "content": "نکات کلیدی این سند طولانی را خلاصه کن...",
        }
    ],
    max_tokens=2000,
    extra_body={"enable_thinking": False},  # الزامی برای درخواست‌های غیر استریمینگ
)

# مثال استفاده از Qwen3.5-35B-A3B برای استنتاج کارآمد open-weight
response = client.chat.completions.create(
    model="qwen3.5-35b-a3b",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "آنچه در این تصویر می‌بینی را توصیف کن."},
                {
                    "type": "image_url",
                    "image_url": {"url": "https://example.com/image.jpg"},
                },
            ],
        }
    ],
    max_tokens=1000,
    extra_body={"enable_thinking": False},  # الزامی برای درخواست‌های غیر استریمینگ
)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `qwen3.5-plus` 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",
    input=[
        {
            "role": "user",
            "content": [
                {
                    "type": "input_text",
                    "text": "نکات کلیدی این سند طولانی را خلاصه کن...",
                },
                {"type": "input_image", "image_url": "https://example.com/image.png"},
            ],
        }
    ],
)

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.

جستجوی وب

مدل qwen3-max از قابلیت‌های جستجوی وب بلادرنگ پشتیبانی می‌کند و به آن امکان می‌دهد اطلاعات به‌روز را از اینترنت بازیابی کند تا به سوالات درباره رویدادهای جاری، قیمت سهام، آب‌وهوا و سایر داده‌های بلادرنگ که ممکن است در داده‌های آموزشی مدل نباشند، پاسخ دهد.

توجه

از دسامبر ۲۰۲۵، فقط مدل‌های qwen3-max و qwen3-max-2025-09-23 از قابلیت جستجوی وب پشتیبانی می‌کنند. استراتژی جستجو باید برای مناطق بین‌المللی روی agent تنظیم شود.

نحوه کار

وقتی جستجوی وب را با ارسال enable_search: true فعال می‌کنید، مدل:

تحلیل می‌کند که آیا سوال کاربر نیاز به اطلاعات بلادرنگ دارد
در صورت نیاز، یک جستجوی وب انجام می‌دهد و از نتایج برای تولید پاسخ استفاده می‌کند
در غیر این صورت، از دانش خود برای پاسخ‌دهی استفاده می‌کند

مثال استفاده

BashPythonJavaScript

bash

curl -X POST https://api.avalai.ir/v1/chat/completions \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3-max",
    "messages": [
        {
            "role": "user",
            "content": "قیمت سهام علی‌بابا چقدر است"
        }
    ],
    "enable_search": true,
    "search_options": {"search_strategy": "agent"}
}'

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="qwen3-max",
    messages=[{"role": "user", "content": "پیش‌بینی آب‌وهوا برای فردا در تهران چیست؟"}],
    extra_body={"enable_search": True, "search_options": {"search_strategy": "agent"}},
)

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: "qwen3-max",
  messages: [
    { role: "user", content: "آخرین اخبار فناوری امروز چیست؟" }
  ],
  enable_search: true,
  search_options: { search_strategy: "agent" }
});

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `qwen3-max` 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="آخرین اخبار فناوری امروز چیست؟",
)

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: "آخرین اخبار فناوری امروز چیست؟",
});

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": "آخرین اخبار فناوری امروز چیست؟",
    "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.

پارامترها

پارامتر	نوع	توضیحات
`enable_search`	boolean	برای فعال‌سازی جستجوی وب روی `true` تنظیم کنید. مدل تصمیم می‌گیرد آیا جستجو لازم است.
`search_options.search_strategy`	string	باید برای مناطق بین‌المللی روی `"agent"` تنظیم شود.

موارد استفاده

قیمت‌های بلادرنگ سهام: دریافت داده‌های فعلی بازار و اطلاعات سهام
پیش‌بینی آب‌وهوا: بازیابی پیش‌بینی‌های به‌روز آب‌وهوا برای هر مکان
رویدادهای جاری: پاسخ به سوالات درباره اخبار و رویدادهای اخیر
نتایج ورزشی: دریافت نتایج زنده یا اخیر مسابقات
اطلاعات محصول: یافتن قیمت‌ها و موجودی فعلی

صورتحساب

جستجوی وب شامل دو جزء هزینه است:

هزینه‌های فراخوانی مدل: نتایج جستجوی وب به پرامپت اضافه می‌شوند و توکن‌های ورودی را افزایش می‌دهند. قیمت‌گذاری استاندارد مدل اعمال می‌شود.
هزینه‌های سیاست جستجو: برای استراتژی agent در مناطق بین‌المللی، هزینه ۱۰.۰۰ دلار به ازای هر ۱٬۰۰۰ فراخوانی است.

مدل‌های بینایی-زبانی

مدل‌های چندوجهی قادر به درک و پردازش هم ورودی‌های متنی و هم بصری که امکان تحلیل و توصیف پیچیده تصاویر را فراهم می‌کنند.

سری Qwen3 VL

مدل‌های بینایی-زبانی نسل جدید با قابلیت‌های بهبود یافته برای درک تصاویر، ویدیوها و متن.

مدل	پنجره زمینه	حداکثر ورودی	حداکثر خروجی	بهترین برای
qwen3-vl-32b-instruct	۱۳۱٬۰۷۲	۱۲۹٬۰۲۴	۸٬۱۹۲	وظایف VL متعادل منبع‌باز
qwen3-vl-plus	۱۳۱٬۰۷۲+	۱۲۹٬۰۲۴+	۸٬۱۹۲	متن بلند، ویدیو، وظایف عامل
qwen3-vl-flash	۱۳۱٬۰۷۲+	۱۲۹٬۰۲۴+	۸٬۱۹۲	وظایف VL سریع و مقرون‌به‌صرفه

ویژگی‌های کلیدی:

پشتیبانی از اسناد بلند: پردازش اسناد با میلیون‌ها توکن
درک ویدیوی طولانی: تحلیل ویدیوهای تا ۱ ساعت
قابلیت‌های OCR: استخراج متن پیشرفته از تصاویر
قابلیت‌های عامل: بازیابی تصویر و استفاده از ابزار
قیمت‌گذاری طبقه‌ای: بهینه‌سازی هزینه بر اساس طول زمینه

python

# مثال استفاده از Qwen3-VL-Plus برای وظایف بینایی-زبانی
response = client.chat.completions.create(
    model="qwen3-vl-plus",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "این سند را تحلیل کن و اطلاعات کلیدی را استخراج کن.",
                },
                {
                    "type": "image_url",
                    "image_url": {"url": "https://example.com/document.png"},
                },
            ],
        }
    ],
    extra_body={"enable_thinking": False},
)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `qwen3-vl-plus` 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",
    input=[
        {
            "role": "user",
            "content": [
                {"type": "input_text", "text": "Describe this image."},
                {"type": "input_image", "image_url": "https://example.com/image.png"},
            ],
        }
    ],
)

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.

سری Qwen 2.5 VL

مدل	پنجره زمینه	حداکثر ورودی	حداکثر خروجی	بهترین برای
qwen2.5-vl-72b-instruct	۱۳۱٬۰۷۲	۱۲۹٬۰۲۴	۸٬۱۹۲	وظایف بینایی پیچیده
qwen2.5-vl-32b-instruct	۱۳۱٬۰۷۲	۱۲۹٬۰۲۴	۸٬۱۹۲	پردازش بینایی متعادل
qwen2.5-vl-7b-instruct	۱۳۱٬۰۷۲	۱۲۹٬۰۲۴	۸٬۱۹۲	وظایف بینایی کارآمد
qwen2.5-vl-3b-instruct	۱۳۱٬۰۷۲	۱۲۹٬۰۲۴	۸٬۱۹۲	بینایی سبک

Qwen VL OCR

⚠️ اطلاعیه منسوخ شدن: سری‌های قدیمی qwen-vl-max و qwen-vl-plus (شامل -latest و snapshotهای تاریخ‌دار) توسط علی‌بابا بین ۱۳ می ۲۰۲۶ و ۳۱ می ۲۰۲۶ از سرویس خارج می‌شوند. لطفا به سری Qwen3 VL (مثلا qwen3-vl-plus، qwen3-vl-flash) یا مدل‌های Qwen 3.5 VL مهاجرت کنید. برای جزئیات به صفحه منسوخ‌شدن‌ها مراجعه کنید.

مدل	پنجره زمینه	حداکثر ورودی	حداکثر خروجی	تخصص
qwen-vl-ocr	۳۴٬۰۹۶	۳۰٬۰۰۰	۴٬۰۹۶	تشخیص نویسه نوری

python

# مثال استفاده از Qwen VL برای تحلیل تصویر
response = client.chat.completions.create(
    model="qwen2.5-vl-72b-instruct",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "چه اشیایی در این تصویر می‌بینید و موقعیت تقریبی آن‌ها کجاست؟",
                },
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://dashscope.oss-cn-beijing.aliyuncs.com/images/256_1.png"
                    },
                },
            ],
        }
    ],
    extra_body={"enable_thinking": False},  # الزامی برای درخواست‌های غیر استریمینگ
)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `qwen2.5-vl-72b-instruct` 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",
    input=[
        {
            "role": "user",
            "content": [
                {"type": "input_text", "text": "Describe this image."},
                {"type": "input_image", "image_url": "https://example.com/image.png"},
            ],
        }
    ],
)

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.

سری Qwen 3

مدل‌های نسل بعدی با قابلیت‌های بهبود یافته و عملکرد بهتر در وظایف مختلف.

مدل‌های استاندارد Qwen 3

مدل	پنجره زمینه	حداکثر ورودی	حداکثر خروجی	پارامترها
qwen3-32b	۱۳۱٬۰۷۲	۹۸٬۳۰۴	۱۶٬۳۸۴	۳۲B
qwen3-14b	۱۳۱٬۰۷۲	۹۸٬۳۰۴	۸٬۱۹۲	۱۴B
qwen3-8b	۱۳۱٬۰۷۲	۹۸٬۳۰۴	۸٬۱۹۲	۸B
qwen3-4b	۱۳۱٬۰۷۲	۹۸٬۳۰۴	۸٬۱۹۲	۴B
qwen3-1.7b	۱۳۱٬۰۷۲	۹۸٬۳۰۴	۸٬۱۹۲	۱.۷B
qwen3-0.6b	۱۳۱٬۰۷۲	۹۸٬۳۰۴	۸٬۱۹۲	۰.۶B

سری Qwen 3 A3B

مدل	پنجره زمینه	حداکثر ورودی	حداکثر خروجی	تخصص
qwen3-next-80b-a3b-thinking	۱۳۱٬۰۷۲	۹۸٬۳۰۴	۳۲٬۷۶۸	استدلال پیشرفته با تفکر
qwen3-next-80b-a3b-instruct	۱۳۱٬۰۷۲	۹۸٬۳۰۴	۳۲٬۷۶۸	پیروی بهبود یافته از دستورالعمل
qwen3-30b-a3b	۱۳۱٬۰۷۲	۹۸٬۳۰۴	۳۲٬۷۶۸	استدلال پیشرفته
qwen3-30b-a3b-thinking-2507	۱۳۱٬۰۷۲	۹۸٬۳۰۴	۳۲٬۷۶۸	فرآیندهای تفکر
qwen3-30b-a3b-instruct-2507	۱۳۱٬۰۷۲	۹۸٬۳۰۴	۳۲٬۷۶۸	پیروی از دستورالعمل

سری Qwen 3 A22B

مدل	پنجره زمینه	حداکثر ورودی	حداکثر خروجی	تخصص
qwen3-235b-a22b	۱۳۱٬۰۷۲	۱۳۱٬۰۷۲	۳۲٬۷۶۸	استدلال بزرگ مقیاس
qwen3-235b-a22b-instruct-2507	۱۳۱٬۰۷۲	۱۳۱٬۰۷۲	۳۲٬۷۶۸	دستورالعمل‌های پیشرفته
qwen3-235b-a22b-thinking-2507	۱۳۱٬۰۷۲	۱۳۱٬۰۷۲	۳۲٬۷۶۸	تفکر پیچیده

مدل‌های تخصصی

سری QWQ Plus (مدل‌های استدلال)

مدل	پنجره زمینه	حداکثر ورودی	حداکثر خروجی	تمرکز
qwq-plus	۱۳۱٬۰۷۲	۱۳۱٬۰۷۲	۸٬۱۹۲	استدلال پیشرفته
qwq-plus-2025-03-05	۱۳۱٬۰۷۲	۱۳۱٬۰۷۲	۸٬۱۹۲	استدلال پایدار

مدل‌های ترجمه ماشینی

مدل‌های ترجمه حرفه‌ای با پشتیبانی از ۹۲ زبان و ترجمه دوطرفه با کیفیت بالا.

مدل	پنجره زمینه	حداکثر ورودی	حداکثر خروجی	تخصص
qwen-mt-plus	۲٬۰۴۸	۲٬۰۴۸	۲٬۰۴۸	ترجمه پیشرفته
qwen-mt-turbo	۲٬۰۴۸	۲٬۰۴۸	۲٬۰۴۸	ترجمه سریع
qwen-mt-flash	۸٬۱۹۲	۸٬۱۹۲	۸٬۱۹۲	ترجمه با کیفیت بالا
qwen-mt-lite	۸٬۱۹۲	۸٬۱۹۲	۸٬۱۹۲	سریع و مقرون‌به‌صرفه

ویژگی‌های کلیدی:

۹۲ زبان: پشتیبانی از زبان‌های اصلی جهان شامل اروپایی، آسیایی و خاورمیانه‌ای
دوطرفه: ترجمه بین هر جفت زبان پشتیبانی شده
ترجمه مستقیم: ترجمه بین زبان‌های غیرچینی بدون چینی واسط
پشتیبانی فارسی/دری: پشتیبانی کامل از فارسی، دری، عربی، اردو، ترکی و بیشتر

زبان‌های پشتیبانی شده شامل: عربی، چینی (ساده‌شده/سنتی)، هلندی، انگلیسی، فرانسوی، آلمانی، ایتالیایی، ژاپنی، کره‌ای، فارسی، پرتغالی، روسی، اسپانیایی، ترکی، ویتنامی و ۷۷ زبان دیگر.

python

# مثال استفاده از Qwen-MT برای ترجمه
response = client.chat.completions.create(
    model="qwen-mt-flash",
    messages=[
        {"role": "system", "content": "از انگلیسی به فارسی ترجمه کن"},
        {
            "role": "user",
            "content": "Artificial intelligence is transforming the way we live and work.",
        },
    ],
    extra_body={"enable_thinking": False},
)
# خروجی: هوش مصنوعی در حال تغییر نحوه زندگی و کار ما است.

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `qwen-mt-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="Artificial intelligence is transforming the way we live and work.",
)

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.

مدل‌های شخصیت/نقش‌آفرینی

مدل‌های تخصصی برای ایجاد تعاملات ثابت شخصیت مجازی با حفظ شخصیت.

مدل	پنجره زمینه	حداکثر ورودی	حداکثر خروجی	تخصص
qwen-plus-character	۱۳۱٬۰۷۲	۱۲۹٬۰۲۴	۱۶٬۳۸۴	شخصیت‌های مجازی، نقش‌آفرینی

ویژگی‌های کلیدی:

ثبات شخصیت: حفظ شخصیت‌ها، ویژگی‌ها و سبک‌های گفتار تعریف‌شده در مکالمات
تنوع پاسخ: جلوگیری از پاسخ‌های تکراری با نشانگرهای سبک
حافظه رابطه: حفظ تاریخچه تعامل و پویایی رابطه
انعطاف‌پذیری ژانر: پشتیبانی از فانتزی، علمی-تخیلی، رمانتیک و سناریوهای مدرن

python

# مثال استفاده از Qwen-Plus-Character برای شخصیت‌های مجازی
response = client.chat.completions.create(
    model="qwen-plus-character",
    messages=[
        {
            "role": "system",
            "content": "تو یک جادوگر خردمند به نام مرلین از دنیای فانتزی هستی. با حکمت باستانی و گاهی معماها صحبت کن.",
        },
        {"role": "user", "content": "مرلین، چگونه می‌توانم یک جادوگر بزرگ شوم؟"},
    ],
    extra_body={"enable_thinking": False},
)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `qwen-plus-character` 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="مرلین، چگونه می‌توانم یک جادوگر بزرگ شوم؟",
)

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.

مدل‌های زمینه طولانی

مدل	پنجره زمینه	حداکثر ورودی	حداکثر خروجی	تخصص
qwen2.5-7b-instruct-1m	۱٬۰۰۸٬۱۹۲	۱٬۰۰۰٬۰۰۰	۸٬۱۹۲	زمینه میلیون توکنی
qwen2.5-14b-instruct-1m	۱٬۰۰۸٬۱۹۲	۱٬۰۰۰٬۰۰۰	۸٬۱۹۲	زمینه توسعه‌یافته

مدل‌های برنامه‌نویسی

مدل	پنجره زمینه	حداکثر ورودی	حداکثر خروجی	تخصص
qwen3-coder-480b-a35b-instruct	۲۶۲٬۱۴۴	۲۰۴٬۸۰۰	۶۵٬۵۳۶	برنامه‌نویسی پیشرفته
qwen3-coder-next	۱٬۰۰۰٬۰۰۰	۹۹۷٬۹۵۲	۶۵٬۵۳۶	عامل‌های کدنویسی پیشرو (80B MoE)
qwen3-coder-flash	۱٬۰۰۰٬۰۰۰	۹۹۷٬۹۵۲	۶۵٬۵۳۶	برنامه‌نویسی سریع با قیمت طبقه‌ای
qwen3-coder-flash-2025-07-28	۱٬۰۰۰٬۰۰۰	۹۹۷٬۹۵۲	۶۵٬۵۳۶	برنامه‌نویسی سریع پایدار
qwen3-coder-plus	۱٬۰۰۰٬۰۰۰	۹۹۷٬۹۵۲	۶۵٬۵۳۶	تولید کد
qwen3-coder-plus-2025-07-22	۱٬۰۰۰٬۰۰۰	۹۹۷٬۹۵۲	۶۵٬۵۳۶	آخرین برنامه‌نویسی

Qwen3-Coder-Next

Qwen3-Coder-Next یک مدل پیشرو 80B MoE (ترکیب متخصصین) است که برای عامل‌های برنامه‌نویسی بهینه‌سازی شده و دارای ۱۰ میلیارد پارامتر فعال برای استنتاج کارآمد است.

ویژگی‌های کلیدی:

معماری 80B MoE: ترکیب متخصصین در مقیاس بزرگ با ۱۰ میلیارد پارامتر فعال
پنجره زمینه ۱ میلیون: زمینه گسترده برای درک پایگاه‌های کد بزرگ
بهینه‌سازی عاملی: طراحی شده برای گردش‌های کاری برنامه‌نویسی خودمختار
کارایی بالا: استنتاج بهینه با فعال‌سازی پراکنده

قیمت‌گذاری:

مدل	ورودی	ورودی کش‌شده	خروجی
qwen3-coder-next	$0.30/1M	$0.15/1M	$1.50/1M

python

# مثال استفاده از Qwen3-Coder-Next برای وظایف کدنویسی عاملی
response = client.chat.completions.create(
    model="qwen3-coder-next",
    messages=[
        {
            "role": "user",
            "content": "این پایگاه کد را تحلیل کن و ماژول احراز هویت را بازنویسی کن تا از توکن‌های JWT با چرخش توکن رفرش استفاده کند.",
        }
    ],
    max_tokens=8000,
    extra_body={"enable_thinking": False},  # الزامی برای درخواست‌های غیر استریمینگ
)

# مثال استفاده از Qwen Coder برای وظایف برنامه‌نویسی
response = client.chat.completions.create(
    model="qwen3-coder-plus",
    messages=[
        {
            "role": "user",
            "content": "یک تابع Python برای پیاده‌سازی الگوریتم جستجوی دودویی با مدیریت خطای مناسب بنویسید.",
        }
    ],
    max_tokens=1000,
    extra_body={"enable_thinking": False},  # الزامی برای درخواست‌های غیر استریمینگ
)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `qwen3-coder-next` 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 الگوریتم جستجوی دودویی با مدیریت خطای مناسب بنویسید.",
)

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.

مدل‌های تولید تصویر

مدل‌های پیشرفته تولید و ویرایش تصویر با پشتیبانی دوگانه SDK، سازگار با schema OpenAI و schema بومی Alibaba Dashscope.

مدل	تخصص	هزینه به ازای تصویر	گزینه‌های رزولوشن	بهترین برای
qwen-image-2.0-pro	تایپوگرافی حرفه‌ای	$0.06	رزولوشن بومی ۲K	اینفوگرافیک‌ها، متن پیچیده
qwen-image-2.0	تولید متعادل	$0.04	رزولوشن بومی ۲K	تولید تصویر همه‌منظوره
qwen-image	تولید متن-به-تصویر	$0.035	1:1، 4:3، 3:4، 16:9، 9:16	تولید تصویر خلاقانه
qwen-image-edit	ویرایش و اصلاح تصویر	$0.045	بر اساس تصویر ورودی	بهبود و ویرایش تصویر
z-image-turbo	متن-به-تصویر سریع	$0.015 (استاندارد) / $0.030 (تفکر)	۵۱۲×۵۱۲ تا ۲۰۴۸×۲۰۴۸	تولید سریع، رندر متن
qwen-image-edit-plus	ویرایش پیشرفته تصویر	$0.03	بر اساس تصویر ورودی	ویرایش حرفه‌ای، انتقال سبک

qwen-image-2.0-pro

مدل تولید تصویر Qwen-Image-2.0-Pro با تمرکز بر تایپوگرافی حرفه‌ای و طراحی‌های پیچیده بصری.

ویژگی‌های کلیدی:

تایپوگرافی پیشرفته: رندر متن با خطاهای نزدیک به صفر در بیش از ۴۰ زبان
رزولوشن بومی ۲K: خروجی با کیفیت بالا بدون نیاز به upscaling
تولید و ویرایش یکپارچه: پشتیبانی از هر دو گردش‌کار در یک مدل
پشتیبانی چندزبانه: رندر حرفه‌ای متن فارسی، عربی، چینی و سایر زبان‌ها

قیمت‌گذاری:

مدل	هزینه به ازای تصویر
qwen-image-2.0-pro	$0.06

python

# تولید اینفوگرافیک حرفه‌ای با Qwen-Image-2.0-Pro
response = client.images.generate(
    model="qwen-image-2.0-pro",
    prompt="یک اینفوگرافیک حرفه‌ای برای معماری هوش مصنوعی با عنوان 'سیستم پردازش زبان طبیعی' شامل نمودارهای جریان داده و برچسب‌های فارسی",
    size="2048x2048",
    n=1,
)

qwen-image-2.0

مدل تولید تصویر Qwen-Image-2.0 با تعادل بهینه بین کیفیت و هزینه.

ویژگی‌های کلیدی:

فوتورئالیسم بهبود یافته: تولید تصاویر واقع‌گرایانه با جزئیات بالا
رندر متن قابل اعتماد: پشتیبانی از متن چندزبانه با دقت بالا
رزولوشن بومی ۲K: خروجی با کیفیت بدون نیاز به پس‌پردازش
پشتیبانی از ویرایش: قابلیت تولید و ویرایش تصویر

قیمت‌گذاری:

مدل	هزینه به ازای تصویر
qwen-image-2.0	$0.04

python

# تولید تصویر با Qwen-Image-2.0
response = client.images.generate(
    model="qwen-image-2.0",
    prompt="یک منظره طبیعی با کوه‌های برفی و دریاچه آبی در غروب آفتاب با سبک فوتورئالیستیک",
    size="2048x2048",
    n=1,
)

z-image-turbo

مدل تولید تصویر سریع و با کیفیت بالا که برای سرعت بهینه‌سازی شده با رندر متن عالی.

ویژگی‌های کلیدی:

تولید پرسرعت: بهینه‌سازی شده برای گردش‌های کاری تولید سریع
رندر متن بهبود یافته: ثبات بهتر تولید کاراکتر و متن
پشتیبانی از تاج: افزودن لوگو یا واترمارک به تصاویر تولید شده
اندازه‌های انعطاف‌پذیر: ۴۲ نسبت پیش‌فرض به علاوه اندازه‌های سفارشی (۵۱۲×۵۱۲ تا ۲۰۴۸×۲۰۴۸)
حالت تفکر: تولید بهبود یافته اختیاری با $0.030 به ازای هر تصویر

python

# مثال استفاده از z-image-turbo
response = client.images.generate(
    model="z-image-turbo",
    prompt="یک لوگوی حرفه‌ای با متن 'AI TECH' به سبک مینیمالیست مدرن",
    size="1024x1024",
    n=1,
)

qwen-image-edit-plus

مدل ویرایش پیشرفته تصویر که عملیات پیچیده شامل حذف پس‌زمینه، inpainting و انتقال سبک را پشتیبانی می‌کند.

ویژگی‌های کلیدی:

حذف پس‌زمینه: جداسازی سوژه‌ها از پس‌زمینه
Inpainting تصویر: پر کردن یا جایگزینی نواحی انتخاب شده
انتقال سبک: اعمال سبک‌های هنری به تصاویر
جستجو و تغییر رنگ: تغییر رنگ‌ها در نواحی خاص
کنترل ساختار: حفظ سازگاری ساختاری در ویرایش‌ها

python

# مثال استفاده از qwen-image-edit-plus برای حذف پس‌زمینه
import requests

with open("input_image.png", "rb") as image_file:
    response = requests.post(
        "https://api.avalai.ir/v1/images/edits",
        headers={"Authorization": f"Bearer {api_key}"},
        files={"image": image_file},
        data={
            "model": "qwen-image-edit-plus",
            "prompt": "پس‌زمینه را حذف کن و فقط سوژه اصلی را نگه دار",
        },
    )

ویژگی‌های کلیدی

پشتیبانی دوگانه SDK: سازگار با فرمت OpenAI SDK و API بومی Dashscope
رزولوشن‌های متعدد: پشتیبانی از نسبت‌های مختلف ابعاد (1328×1328، 1664×928، 1472×1140، 1140×1472، 928×1664)
پارامترهای پیشرفته: promptهای منفی، بازنویسی هوشمند prompt، کنترل watermark، پشتیبانی seed
کیفیت بالا: تولید تصویر درجه حرفه‌ای با پارامترهای قابل تنظیم

مثال‌های استفاده

python

# تولید متن-به-تصویر با استفاده از فرمت OpenAI SDK
from openai import OpenAI

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

response = client.images.generate(
    model="qwen-image",
    prompt="منظره آرام کوهستانی با دریاچه شفاف که قله‌های برفی را منعکس می‌کند",
    size="1328x1328",
    n=1,
    response_format="url",  # or b64_json
)

print(response.data[0].url)

# ویرایش تصویر با استفاده از فرمت OpenAI SDK
import requests

with open("input_image.jpg", "rb") as image_file:
    response = requests.post(
        "https://api.avalai.ir/v1/images/edits",
        headers={"Authorization": f"Bearer {api_key}"},
        files={"image": image_file},
        data={
            "model": "qwen-image-edit",
            "prompt": "آسمان را به غروب دراماتیک با رنگ‌های نارنجی و بنفش تغییر دهید",
        },
    )

print(response.json())

فرمت بومی Dashscope

python

# استفاده از schema بومی Dashscope برای پارامترهای پیشرفته
import requests

response = requests.post(
    "https://api.avalai.ir/v1/images/generations",
    headers={"Authorization": f"Bearer {api_key}", "Content-Type": "application/json"},
    json={
        "model": "qwen-image",
        "input": {
            "messages": [
                {
                    "role": "user",
                    "content": [
                        {
                            "text": "عکس پرتره حرفه‌ای از یک فرد تجاری مطمئن در محیط اداری مدرن"
                        }
                    ],
                }
            ]
        },
        "parameters": {
            "size": "1328*1328",
            "prompt_extend": True,
            "watermark": False,
            "negative_prompt": "تار، کیفیت پایین، تحریف شده",
        },
    },
)

print(response.json())

مدل‌های Embedding

مدل‌های embedding پیشرفته برای محتوای متنی و چندوجهی که از جستجوی معنایی، محاسبه شباهت و طبقه‌بندی محتوا پشتیبانی می‌کنند.

مدل‌های Embedding متنی

مدل	ابعاد بردار	حداکثر توکن	تخصص	قیمت (به ازای 1M توکن)
text-embedding-v4	64-2,048 (قابل تنظیم)	8,192	آخرین نسل، دستورالعمل‌های کار، بردارهای پراکنده	$0.07
text-embedding-v3	512-1,024 (قابل تنظیم)	8,192	نسل قبلی، عملکرد اثبات شده	$0.07

text-embedding-v4

آخرین نسل مدل embedding متنی با ویژگی‌های پیشرفته:

ویژگی‌های کلیدی:

ابعاد قابل تنظیم: 2,048، 1,536، 1,024 (پیش‌فرض)، 768، 512، 256، 128، 64
دستورالعمل‌های کار (instruct): بهینه‌سازی کیفیت بردار برای سناریوهای بازیابی خاص
تمایز نوع متن: embedding‌های جداگانه برای متن پرس‌وجو در مقابل سند
بردارهای متراکم و پراکنده: تولید هر دو نوع برای جستجوی ترکیبی
پردازش دسته‌ای: پردازش تا 10 متن در هر درخواست

موارد استفاده:

جستجو و بازیابی معنایی
گفتگوی هوش مصنوعی و توصیه محتوا
موتورهای جستجوی تولیدی با کیفیت بالا
طبقه‌بندی و خوشه‌بندی

مثال:

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "text-embedding-v4",
    "input": "یادگیری ماشین در حال تحول فناوری است",
    "dimensions": 1024
  }'

python

from openai import OpenAI

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

response = client.embeddings.create(
    model="text-embedding-v4",
    input="یادگیری ماشین در حال تحول فناوری است",
    dimensions=1024,
)

print(response.data[0].embedding)

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.embeddings.create({
  model: "text-embedding-v4",
  input: "یادگیری ماشین در حال تحول فناوری است",
  dimensions: 1024,
});

console.log(response.data[0].embedding);

ویژگی‌های پیشرفته با API بومی:

python

# استفاده از extra_body برای ویژگی‌های پیشرفته
response = client.embeddings.create(
    model="text-embedding-v4",
    input="مقالات تحقیقاتی درباره یادگیری ماشین",
    dimensions=1024,
    extra_body={
        "text_type": "query",  # یا "document"
        "instruct": "با توجه به یک پرس‌وجوی مقاله تحقیقاتی، مقالات تحقیقاتی مرتبط را بازیابی کنید",
    },
)

text-embedding-v3

نسل قبلی مدل embedding متنی با عملکرد اثبات شده:

ویژگی‌های کلیدی:

ابعاد قابل تنظیم: 1,024 (پیش‌فرض)، 768، 512
عملکرد قابل اعتماد: آزمایش شده در بیش از 50 زبان
پردازش دسته‌ای: پردازش تا 10 متن در هر درخواست

مدل‌های Embedding چندوجهی

مدل	ابعاد بردار	حداکثر توکن متن	پشتیبانی تصویر/ویدیو	قیمت (به ازای 1M توکن)
tongyi-embedding-vision-plus	1,152	1,024	تصاویر و ویدیوها	$0.09
tongyi-embedding-vision-flash	768	1,024	تصاویر و ویدیوها	تصویر/ویدیو: $0.03، متن: $0.09

tongyi-embedding-vision-plus

مدل embedding چندوجهی پیشرفته با پشتیبانی از متن، تصاویر و ویدیوها:

ویژگی‌های کلیدی:

بازیابی متقابل: جستجوی متن-به-تصویر، تصویر-به-ویدیو، تصویر-به-تصویر
شباهت معنایی: محاسبه شباهت در روش‌های مختلف
ورودی‌های متعدد: پشتیبانی تا 8 تصویر در هر درخواست
پشتیبانی ویدیو: پردازش ویدیوها تا 10 MB (MP4, MPEG, AVI, MOV, MPG, WEBM, FLV, MKV)
فرمت‌های تصویر: JPG, PNG, BMP (Base64 یا URL)

موارد استفاده:

جستجوی معنایی متقابل
طبقه‌بندی و تحلیل ویدیو
جستجوی تصویر با استفاده از متن یا تصاویر دیگر
طبقه‌بندی و خوشه‌بندی محتوا

مثال:

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "tongyi-embedding-vision-plus",
    "input": {
      "contents": [
        {"text": "یک غروب زیبا بر فراز کوه‌ها"},
        {"image": "https://dashscope.oss-cn-beijing.aliyuncs.com/images/256_1.png"}
      ]
    }
  }'

python

from openai import OpenAI

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

# استفاده از extra_body برای فرمت بومی Alibaba
response = client.embeddings.create(
    model="tongyi-embedding-vision-plus",
    input="placeholder",  # مورد نیاز OpenAI SDK
    extra_body={
        "input": {
            "contents": [
                {"text": "یک غروب زیبا بر فراز کوه‌ها"},
                {
                    "image": "https://dashscope.oss-cn-beijing.aliyuncs.com/images/256_1.png"
                },
            ]
        }
    },
)

print(response.data[0].embedding)

javascript

import { OpenAI } from "openai";

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

// توجه: برای embedding‌های چندوجهی، از درخواست‌های HTTP بومی استفاده کنید
const response = await fetch("https://api.avalai.ir/v1/embeddings", {
    method: "POST",
    headers: {
        "Authorization": `Bearer ${process.env.AVALAI_API_KEY}`,
        "Content-Type": "application/json"
    },
    body: JSON.stringify({
        model: "tongyi-embedding-vision-plus",
        input: {
            contents: [
                { text: "یک غروب زیبا بر فراز کوه‌ها" },
                { image: "https://dashscope.oss-cn-beijing.aliyuncs.com/images/256_1.png" }
            ]
        }
    })
});

const result = await response.json();
console.log(result.data[0].embedding);

tongyi-embedding-vision-flash

مدل embedding چندوجهی سریع بهینه‌شده برای سرعت:

ویژگی‌های کلیدی:

سرعت بالا: بهینه‌سازی شده برای پردازش سریع
پشتیبانی چندوجهی: متن، تصاویر و ویدیوها
مقرون به صرفه: قیمت‌گذاری پایین‌تر برای پردازش تصویر/ویدیو
قابلیت‌های یکسان: ویژگی‌های مشابه vision-plus با استنتاج سریع‌تر

قیمت‌گذاری:

توکن‌های تصویر/ویدیو: $0.03 به ازای 1M توکن
توکن‌های متن: $0.09 به ازای 1M توکن

بهترین شیوه‌های Embedding

انتخاب بُعد:
- از 1024 بُعد برای تعادل بهینه عملکرد و هزینه استفاده کنید
- از ابعاد بالاتر (1536، 2048) برای حوزه‌هایی که به دقت بالا نیاز دارند استفاده کنید
- از ابعاد پایین‌تر (768 یا کمتر) برای سناریوهای حساس به هزینه استفاده کنید
تمایز نوع متن (فقط text-embedding-v4):
- از text_type: "query" برای پرس‌وجوهای جستجوی کاربر استفاده کنید
- از text_type: "document" برای اسناد در پایگاه داده خود استفاده کنید
دستورالعمل‌های کار (فقط text-embedding-v4):
- دستورالعمل‌های واضح انگلیسی برای بهینه‌سازی کیفیت بردار ارائه دهید
- مثال: "با توجه به یک پرس‌وجوی مقاله تحقیقاتی، مقالات تحقیقاتی مرتبط را بازیابی کنید"
Embedding‌های چندوجهی:
- همه روش‌ها بردارها را در همان فضای معنایی تولید می‌کنند
- شباهت کسینوسی را مستقیما بین روش‌های مختلف محاسبه کنید
- از vision-flash برای برنامه‌های پرحجم استفاده کنید
پردازش دسته‌ای:
- چندین متن را در یک درخواست پردازش کنید (تا 10)
- هر متن نباید از محدودیت‌های توکن تجاوز کند

منابع مرتبط

مدل‌های رتبه‌بندی مجدد (Rerank)

مدل‌های رتبه‌بندی مجدد مرتب‌سازی دقیق‌تری از اسناد بازیابی شده انجام می‌دهند تا اطمینان حاصل شود که مرتبط‌ترین نتایج در بالا ظاهر شوند، که برای برنامه‌های RAG و جستجوی معنایی ضروری است.

مدل	حداکثر اسناد	حداکثر توکن در هر مورد	حداکثر توکن در هر درخواست	زبان‌ها	قیمت‌گذاری (به ازای 1M توکن)
qwen3-rerank	500	4,000	30,000	بیش از 100 زبان	$0.10

qwen3-rerank

یک مدل رتبه‌بندی متن آموزش دیده بر پایه LLM Qwen که رتبه‌بندی ارتباط برای پرس‌وجوهای ورودی و اسناد کاندید انجام می‌دهد. این مدل از بیش از 100 زبان و ورودی‌های متن طولانی پشتیبانی می‌کند.

ویژگی‌های کلیدی:

رتبه‌بندی با دقت بالا: امتیازدهی دقیق ارتباط برای اسناد
پشتیبانی چندزبانه: بیش از 100 زبان شامل چینی، انگلیسی، اسپانیایی، فرانسوی، پرتغالی، اندونزیایی، ژاپنی، کره‌ای، آلمانی و روسی
پشتیبانی از متن طولانی: تا 4,000 توکن در هر سند
بهینه‌سازی شده برای RAG: طراحی شده برای خطوط لوله تولید تقویت شده با بازیابی
کش کردن پرامپت: پشتیبانی از ورودی کش شده برای صرفه‌جویی در هزینه

موارد استفاده:

بازیابی معنایی متن
برنامه‌های RAG
رتبه‌بندی مجدد نتایج جستجو
امتیازدهی ارتباط اسناد

قیمت‌گذاری:

نوع	هزینه
توکن‌های ورودی	$0.10 به ازای 1M توکن
توکن‌های ورودی کش‌شده	$0.0035 به ازای 1M توکن

مثال:

BashPython

bash

curl https://api.avalai.ir/v1/rerank \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "qwen3-rerank",
    "query": "یادگیری ماشین چیست؟",
    "documents": [
      "یادگیری ماشین یک حوزه مطالعاتی است...",
      "یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشین است...",
      "سیب نوعی میوه است..."
    ]
  }'

python

from openai import OpenAI

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

# استفاده از نقطه پایانی rerank
import requests

response = requests.post(
    "https://api.avalai.ir/v1/rerank",
    headers={
        "Authorization": f"Bearer {client.api_key}",
        "Content-Type": "application/json",
    },
    json={
        "model": "qwen3-rerank",
        "query": "یادگیری ماشین چیست؟",
        "documents": [
            "یادگیری ماشین یک حوزه مطالعاتی است...",
            "یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشین است...",
            "سیب نوعی میوه است...",
        ],
    },
)

print(response.json())

نمونه پاسخ:

json

{
  "model": "qwen3-rerank",
  "results": [
    {
      "index": 1,
      "relevance_score": 0.98,
      "document": {
        "text": "یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشین است..."
      }
    },
    {
      "index": 0,
      "relevance_score": 0.95,
      "document": {
        "text": "یادگیری ماشین یک حوزه مطالعاتی است..."
      }
    },
    {
      "index": 2,
      "relevance_score": 0.01,
      "document": {
        "text": "سیب نوعی میوه است..."
      }
    }
  ],
  "usage": {
    "total_tokens": 45
  }
}

منابع مرتبط

نقاط پایانی API و یکپارچگی

پشتیبانی اصلی: API تکمیل چت

همه مدل‌های Alibaba به طور کامل در نقطه پایانی v1/chat/completions با سازگاری کامل ویژگی‌ها پشتیبانی می‌شوند شامل:

فراخوانی تابع و استفاده از ابزار
پاسخ‌های جریانی
پیام‌های سیستم
دما و سایر پارامترهای تولید
ورودی‌های چندوجهی (برای مدل‌های بینایی)

پشتیبانی محدود: API پیام‌ها

تولید متن پایه در نقطه پایانی v1/messages برای موارد استفاده ساده موجود است، اگرچه پشتیبانی کامل ویژگی‌ها از طریق API تکمیل چت توصیه می‌شود.

مثال‌های استفاده

تولید متن پایه

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="qwen-plus",
    messages=[
        {"role": "user", "content": "محاسبات کوانتومی را به زبان ساده توضیح دهید."}
    ],
    max_tokens=500,
    extra_body={"enable_thinking": False},  # الزامی برای درخواست‌های غیر استریمینگ
)

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `qwen-plus` 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="محاسبات 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.

پردازش چندوجهی

python

# مثال مدل بینایی-زبانی
response = client.chat.completions.create(
    model="qwen2.5-vl-72b-instruct",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "این نمودار و بینش‌های کلیدی آن را توصیف کنید.",
                },
                {
                    "type": "image_url",
                    "image_url": {"url": "https://example.com/chart.png"},
                },
            ],
        }
    ],
    extra_body={"enable_thinking": False},  # الزامی برای درخواست‌های غیر استریمینگ
)

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `qwen2.5-vl-72b-instruct` 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",
    input=[
        {
            "role": "user",
            "content": [
                {"type": "input_text", "text": "Describe this image."},
                {"type": "input_image", "image_url": "https://example.com/image.png"},
            ],
        }
    ],
)

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.

پاسخ جریانی

python

# مثال جریانی (enable_thinking می‌تواند حذف شود یا False باشد برای استریمینگ استاندارد)
stream = client.chat.completions.create(
    model="qwen3-max",
    messages=[
        {"role": "user", "content": "تحلیل دقیقی از روندهای انرژی تجدیدپذیر بنویسید."}
    ],
    stream=True,
    # اختیاری: extra_body={"enable_thinking": True} فقط اگر به حالت تفکر نیاز دارید
)

for chunk in stream:
    if chunk.choices[0].delta.content is not None:
        print(chunk.choices[0].delta.content, end="")

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `qwen3-max` 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="تحلیل دقیقی از روندهای انرژی تجدیدپذیر بنویسید.",
)

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.

بهترین روش‌ها

انتخاب مدل: مدل‌ها را بر اساس نیازهای خاص خود انتخاب کنید:

از Flash (مانند qwen-flash، qwen3.6-flash) برای کاربردهای پرحجم که نیاز به سرعت دارند استفاده کنید
از Plus (مانند qwen-plus، qwen3.6-plus) برای عملکرد متعادل در وظایف عمومی استفاده کنید
از Qwen3 Max (qwen3.8-max برای جدیدترین پرچم‌دار و qwen3.7-max، qwen3-max یا qwen3.6-max-preview برای نسل‌های قبلی) برای استدلال پیچیده، گردش‌کارهای عاملی و اجرای بلندمدت استفاده کنید
از مدل‌های Qwen3 VL برای وظایف شامل تصویر استفاده کنید
از مدل‌های Coder برای وظایف مرتبط با برنامه‌نویسی استفاده کنید

مدیریت زمینه: هنگام پردازش اسناد طولانی یا مکالمات، به پنجره‌های زمینه توجه کنید.
بهینه‌سازی API: از API تکمیل چت برای پشتیبانی کامل ویژگی‌ها و از API پیام‌ها فقط برای تولید متن ساده استفاده کنید.
مدیریت نسخه: از نسخه‌های تاریخ‌دار مشخص برای کاربردهای تولیدی که نیاز به سازگاری دارند استفاده کنید.

اطلاعات قیمت‌گذاری

برای اطلاعات دقیق قیمت‌گذاری شامل هزینه‌های ورودی، هزینه‌های خروجی و قیمت‌گذاری خواندن کش برای همه مدل‌های Alibaba، لطفا به مستندات جامع جزئیات مدل‌ها مراجعه کنید.

مدل‌های Alibaba (Qwen) ​

مهم: پارامتر enable_thinking ​

مدل‌های موجود ​

سری Qwen Flash ​

سری Qwen3.8 ​

qwen3.8-max ​

سری Qwen3.7 ​

qwen3.7-max ​

qwen3.7-plus ​

سری Qwen3.6 Plus ​

qwen3.6-plus ​

سری Qwen3.6 (Flash، 27B، 35B-A3B، Max-Preview) ​

qwen3.6-flash ​

qwen3.6-27b ​

qwen3.6-35b-a3b ​

qwen3.6-max-preview ​

سری Qwen Plus ​

سری Qwen3 Max ​

سری Qwen 3.5 ​

جستجوی وب ​

نحوه کار ​

مثال استفاده ​

پارامترها ​

موارد استفاده ​

صورتحساب ​

مدل‌های بینایی-زبانی ​

سری Qwen3 VL ​

سری Qwen 2.5 VL ​

Qwen VL OCR ​

سری Qwen 3 ​

مدل‌های استاندارد Qwen 3 ​

سری Qwen 3 A3B ​

سری Qwen 3 A22B ​

مدل‌های تخصصی ​

سری QWQ Plus (مدل‌های استدلال) ​

مدل‌های ترجمه ماشینی ​

مدل‌های شخصیت/نقش‌آفرینی ​

مدل‌های زمینه طولانی ​

مدل‌های برنامه‌نویسی ​

مدل‌های تولید تصویر ​

qwen-image-2.0-pro ​

qwen-image-2.0 ​

z-image-turbo ​

qwen-image-edit-plus ​

ویژگی‌های کلیدی ​

مثال‌های استفاده ​

فرمت بومی Dashscope ​

مدل‌های Embedding ​

مدل‌های Embedding متنی ​

text-embedding-v4 ​

text-embedding-v3 ​

مدل‌های Embedding چندوجهی ​

tongyi-embedding-vision-plus ​

tongyi-embedding-vision-flash ​

بهترین شیوه‌های Embedding ​

منابع مرتبط ​

مدل‌های رتبه‌بندی مجدد (Rerank) ​

qwen3-rerank ​

منابع مرتبط ​

نقاط پایانی API و یکپارچگی ​

پشتیبانی اصلی: API تکمیل چت ​

پشتیبانی محدود: API پیام‌ها ​

مثال‌های استفاده ​

تولید متن پایه ​

پردازش چندوجهی ​

پاسخ جریانی ​

بهترین روش‌ها ​

اطلاعات قیمت‌گذاری ​

منابع مرتبط ​

مدل‌های Alibaba (Qwen)

مهم: پارامتر `enable_thinking`

مدل‌های موجود

سری Qwen Flash

سری Qwen3.8

qwen3.8-max

سری Qwen3.7

qwen3.7-max

qwen3.7-plus

سری Qwen3.6 Plus

qwen3.6-plus

سری Qwen3.6 (Flash، 27B، 35B-A3B، Max-Preview)

qwen3.6-flash

qwen3.6-27b

qwen3.6-35b-a3b

qwen3.6-max-preview

سری Qwen Plus

سری Qwen3 Max

سری Qwen 3.5

جستجوی وب

نحوه کار

مثال استفاده

پارامترها

موارد استفاده

صورتحساب

مدل‌های بینایی-زبانی

سری Qwen3 VL

سری Qwen 2.5 VL

Qwen VL OCR

سری Qwen 3

مدل‌های استاندارد Qwen 3

سری Qwen 3 A3B

سری Qwen 3 A22B

مدل‌های تخصصی

سری QWQ Plus (مدل‌های استدلال)

مدل‌های ترجمه ماشینی

مدل‌های شخصیت/نقش‌آفرینی

مدل‌های زمینه طولانی

مدل‌های برنامه‌نویسی

مدل‌های تولید تصویر

qwen-image-2.0-pro

qwen-image-2.0

z-image-turbo

qwen-image-edit-plus

ویژگی‌های کلیدی

مثال‌های استفاده

فرمت بومی Dashscope

مدل‌های Embedding

مدل‌های Embedding متنی

text-embedding-v4

text-embedding-v3

مدل‌های Embedding چندوجهی

tongyi-embedding-vision-plus

tongyi-embedding-vision-flash

بهترین شیوه‌های Embedding

منابع مرتبط

مدل‌های رتبه‌بندی مجدد (Rerank)

qwen3-rerank

منابع مرتبط

نقاط پایانی API و یکپارچگی

پشتیبانی اصلی: API تکمیل چت

پشتیبانی محدود: API پیام‌ها

مثال‌های استفاده

تولید متن پایه

پردازش چندوجهی

پاسخ جریانی

بهترین روش‌ها

اطلاعات قیمت‌گذاری

منابع مرتبط