AvalAI Docs
داشبورد توسعه‌دهنده
پرسش از هوش مصنوعی
پرسش از AvalAIپرسش از Claudeپرسش از ChatGPT
پرسش از هوش مصنوعی
پرسش از AvalAIپرسش از Claudeپرسش از ChatGPT

مدل‌های Cohere ​

AvalAI دسترسی به مجموعه مدل‌های Cohere را که برای موارد استفاده سازمانی طراحی شده‌اند، فراهم می‌کند، از جمله قابلیت‌های پیشرفته چت، تولید افزوده بازیابی (RAG)، embedding و reranking.

مدل‌های چت (سری Command) ​

مدل‌های Command Cohere برای هوش مصنوعی محاوره‌ای و وظایف با زمینه طولانی بهینه‌سازی شده‌اند.

Command R+ ​

قدرتمندترین و مقیاس‌پذیرترین مدل Cohere که در وظایف پیچیده RAG و استفاده از ابزار برتری دارد.

ویژگیجزئیات
شناسه مدلcohere.command-r-plus
پنجره زمینه۱۲۸٬۰۰۰ توکن
قابلیت‌هاچت، RAG پیشرفته، استفاده از ابزار (فراخوانی تابع)، چندزبانه
قیمت‌گذاری ورودی۰.۵۰ دلار / ۱ میلیون توکن
قیمت‌گذاری خروجی۱.۵۰ دلار / ۱ میلیون توکن
نقاط قوتعملکرد پیشرفته برای RAG، گردش کار پیچیده، قابلیت اطمینان درجه سازمانی
بهترین برایبرنامه‌های کاربردی RAG سخت، استفاده از ابزار چند مرحله‌ای، منطق تجاری پیچیده
python
response = client.chat.completions.create(
    model="cohere.command-r-plus",
    messages=[
        {
            "role": "user",
            "content": "بر اساس اسناد ارائه شده [اسناد را ذکر کنید]، یافته‌های کلیدی در مورد روندهای بازار را خلاصه کنید.",
        },
        # اسناد/ارجاعات را در صورت نیاز بر اساس ساختار نقطه پایانی چت Cohere اضافه کنید
    ],
    # در صورت استفاده از Tool Use، تعاریف ابزار را اضافه کنید
)
نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `cohere.command-r-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="بر اساس اسناد ارائه شده [اسناد را ذکر کنید]، یافته‌های کلیدی در مورد روندهای بازار را خلاصه کنید.",
)

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

Command R ​

یک مدل بسیار توانا و مقیاس‌پذیر که عملکرد و هزینه را برای RAG و استفاده از ابزار متعادل می‌کند.

ویژگیجزئیات
شناسه مدلcohere.command-r
پنجره زمینه۱۲۸٬۰۰۰ توکن
قابلیت‌هاچت، RAG، استفاده از ابزار (فراخوانی تابع)، چندزبانه
قیمت‌گذاری ورودی۰.۵۰ دلار / ۱ میلیون توکن (توجه: معمولا کمتر از R+، قیمت‌گذاری Cohere را بررسی کنید)
قیمت‌گذاری خروجی۱.۵۰ دلار / ۱ میلیون توکن (توجه: معمولا کمتر از R+، قیمت‌گذاری Cohere را بررسی کنید)
نقاط قوتتعادل قوی بین عملکرد و هزینه برای RAG و استفاده از ابزار
بهترین برایبرنامه‌های کاربردی RAG عمومی، ربات‌های چت نیازمند ارجاع، گردش‌های کاری فعال با ابزار
python
response = client.chat.completions.create(
    model="cohere.command-r",
    messages=[
        {"role": "user", "content": "مدل Command R Cohere چیست؟"},
    ],
)
نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `cohere.command-r` 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="مدل Command R Cohere چیست؟",
)

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.

توجه: مدل‌های قدیمی‌تر مانند cohere.command و cohere.command-light نیز ممکن است با پنجره‌های زمینه کوچکتر در دسترس باشند.

مدل‌های Rerank ​

مدل‌های Rerank Cohere با مرتب‌سازی مجدد اسناد بر اساس ارتباط با پرس‌وجو، کیفیت نتایج جستجو را برای سیستم‌های RAG بهبود می‌بخشند.

Rerank v4.0 Pro ​

مدل reranking با بالاترین کیفیت با پنجره زمینه ۳۲,۷۶۸ توکن—۸ برابر بزرگتر از v3.5.

ویژگیجزئیات
شناسه مدلcohere-rerank-v4.0-pro
پنجره زمینه۳۲,۷۶۸ توکن
نوع ورودیرشته پرس‌وجو، لیست متون/شناسه‌های اسناد
نوع خروجیلیست مرتب‌شده مجدد اسناد با امتیازات ارتباط [۰، ۱]
زبان‌هاپشتیبانی از بیش از ۱۰۰ زبان
قیمت‌گذاری۰.۰۰۲۵ دلار / کوئری
نقاط قوتبالاترین دقت، پشتیبانی از اسناد طولانی، چندزبانه
بهترین برایسیستم‌های RAG production که به حداکثر دقت ارتباط نیاز دارند
python
import requests

response = requests.post(
    "https://api.avalai.ir/v1/rerank",
    headers={"Authorization": f"Bearer {api_key}", "Content-Type": "application/json"},
    json={
        "model": "cohere-rerank-v4.0-pro",
        "query": "پایتخت کانادا کجاست؟",
        "documents": ["اتاوا پایتخت کاناداست.", "تورنتو بزرگترین شهر کاناداست."],
        "top_n": 2,
    },
)

Rerank v4.0 Fast ​

یک مدل reranking مقرون به صرفه که برای برنامه‌های با توان عملیاتی بالا با حداقل تاخیر بهینه‌سازی شده است.

ویژگیجزئیات
شناسه مدلcohere-rerank-v4.0-fast
پنجره زمینه۳۲,۷۶۸ توکن
نوع ورودیرشته پرس‌وجو، لیست متون/شناسه‌های اسناد
نوع خروجیلیست مرتب‌شده مجدد اسناد با امتیازات ارتباط [۰، ۱]
زبان‌هاپشتیبانی از بیش از ۱۰۰ زبان
قیمت‌گذاری۰.۰۰۲ دلار / کوئری
نقاط قوتسریع، مقرون به صرفه، دقت خوب
بهترین برایبرنامه‌های با توان عملیاتی بالا با حساسیت هزینه
python
import requests

response = requests.post(
    "https://api.avalai.ir/v1/rerank",
    headers={"Authorization": f"Bearer {api_key}", "Content-Type": "application/json"},
    json={
        "model": "cohere-rerank-v4.0-fast",
        "query": "پایتخت کانادا کجاست؟",
        "documents": ["اتاوا پایتخت کاناداست.", "تورنتو بزرگترین شهر کاناداست."],
        "top_n": 2,
    },
)

Rerank v3.5 ​

نسل قبلی مدل reranking

ویژگیجزئیات
شناسه مدلcohere.rerank-v3-5:0
نوع ورودیرشته پرس‌وجو، لیست متون/شناسه‌های اسناد
نوع خروجیلیست مرتب‌شده مجدد اسناد با امتیازات ارتباط
قیمت‌گذاری۱.۰۰ دلار / ۱٬۰۰۰ واحد جستجو
نقاط قوتبه طور قابل توجهی ارتباط جستجو را برای اسناد بهبود می‌بخشد
بهترین برایبهبود سیستم‌های RAG، برنامه‌های جستجوی معنایی
python
# مثال با استفاده از SDK Cohere (AvalAI ممکن است از یک نقطه پایانی سازگار استفاده کند)
# results = co.rerank(query="پایتخت کانادا کجاست؟", documents=docs, model="cohere.rerank-v3-5:0")

مدل‌های Embedding (سری Embed) ​

مدل‌های Embed Cohere، embeddingهای با کیفیت بالا برای متن و (برای v3 Multilingual) تصویر را برای جستجوی معنایی و سایر وظایف نمایشی تولید می‌کنند.

Embed English v3 ​

مدل embedding انگلیسی پیشرفته.

ویژگیجزئیات
شناسه مدلcohere.embed-english-v3.0
ابعاد۱۰۲۴
حداکثر توکن ورودی۵۱۲
قیمت‌گذاری ورودی۰.۱۰ دلار / ۱ میلیون توکن
نقاط قوتعملکرد برتر در معیارهای embedding انگلیسی
بهترین برایجستجوی معنایی، خوشه‌بندی، طبقه‌بندی (انگلیسی)
python
response = client.embeddings.create(
    model="cohere.embed-english-v3.0",
    input=["متن شما اینجا", "یک قطعه متن دیگر"],
    input_type="search_document",  # یا: search_query, classification, clustering
)

Embed Multilingual v3 ​

مدل embedding چندزبانه پیشرفته که از بیش از ۱۰۰ زبان و ورودی تصویر پشتیبانی می‌کند.

ویژگیجزئیات
شناسه مدلcohere.embed-multilingual-v3.0
ابعاد۱۰۲۴
حداکثر توکن ورودی۵۱۲ (متن)
قیمت‌گذاری ورودی۰.۱۰ دلار / ۱ میلیون توکن (متن)
نقاط قوتعملکرد بالا در بسیاری از زبان‌ها، پشتیبانی از embedding متن و تصویر
بهترین برایجستجوی معنایی چندزبانه، جستجوی بین وجهی (متن/تصویر)
python
# Embedding متن
response = client.embeddings.create(
    model="cohere.embed-multilingual-v3.0",
    input=["Aquí está tu texto", "Ein weiterer Text"],
    input_type="search_document",
)

# Embedding تصویر نیاز به مدیریت خاص دارد، مستندات cohere.AvalAI را بررسی کنید

Embed v4 (AWS) ​

آخرین مدل embedding چندوجهی Cohere که از متن، تصاویر و محتوای ترکیبی از جمله PDFها پشتیبانی می‌کند. دارای پنجره زمینه عظیم ۱۲۸k و ابعاد خروجی منعطف است. از طریق زیرساخت AWS ارائه می‌شود.

ویژگیجزئیات
شناسه مدلcohere.embed-v4:0
ارائه‌دهندهAWS
ابعاد۲۵۶، ۵۱۲، ۱۰۲۴ یا ۱۵۳۶ (پیش‌فرض)
حداکثر توکن ورودی۱۲۸٬۰۰۰ توکن
انواع ورودیمتن، تصاویر، متن/تصویر ترکیبی (PDFها)
قیمت‌گذاری متنبرای قیمت‌گذاری تماس بگیرید
قیمت‌گذاری تصویربرای قیمت‌گذاری تماس بگیرید
معیارهای شباهتCosine Similarity، Dot Product Similarity، Euclidean Distance
نقاط قوتپشتیبانی چندوجهی، پنجره زمینه بزرگ، ابعاد منعطف
بهترین برایembedding اسناد، پردازش PDF، جستجوی چندوجهی، سیستم‌های RAG
python
# Embedding متن
response = client.embeddings.create(
    model="cohere.embed-v4:0",
    input=["متن شما اینجا", "یک قطعه متن دیگر"],
    encoding_format="float",
)

# همچنین می‌توانید ابعاد سفارشی مشخص کنید
response = client.embeddings.create(
    model="cohere.embed-v4:0",
    input=["متن شما اینجا"],
    dimensions=1024,  # از ۲۵۶، ۵۱۲، ۱۰۲۴ یا ۱۵۳۶ انتخاب کنید
    encoding_format="float",
)

Embed v4 (Azure) - محدودیت نرخ بالا ​

همان مدل Cohere Embed v4 که از طریق زیرساخت Azure AI services ارائه می‌شود. محدودیت نرخ تا ۳۰ برابر بیشتر نسبت به endpoint AWS ارائه می‌دهد، ایده‌آل برای بارهای کاری production با توان عملیاتی بالا.

ویژگیجزئیات
شناسه مدلembed-v-4-0
ارائه‌دهندهAzure AI Services
ابعاد۲۵۶، ۵۱۲، ۱۰۲۴ یا ۱۵۳۶ (پیش‌فرض)
حداکثر توکن ورودی۱۲۸٬۰۰۰ توکن
انواع ورودیمتن، تصاویر، متن/تصویر ترکیبی (PDFها)
قیمت‌گذاری متن۰.۱۲ دلار / ۱ میلیون توکن
قیمت‌گذاری تصویر۰.۴۷ دلار / ۱ میلیون توکن
معیارهای شباهتCosine Similarity، Dot Product Similarity، Euclidean Distance
محدودیت نرختا ۳۰ برابر بیشتر از endpoint AWS
نقاط قوتتوان عملیاتی بالا، پایداری درجه سازمانی، کیفیت یکسان
بهترین برایبرنامه‌های با توان عملیاتی بالا، سیستم‌های RAG production، پردازش دسته‌ای
python
# Embedding متن با محدودیت نرخ بالا
response = client.embeddings.create(
    model="embed-v-4-0",
    input=["متن شما اینجا", "یک قطعه متن دیگر"],
    encoding_format="float",
)

# همچنین می‌توانید ابعاد سفارشی مشخص کنید
response = client.embeddings.create(
    model="embed-v-4-0",
    input=["متن شما اینجا"],
    dimensions=1024,  # از ۲۵۶، ۵۱۲، ۱۰۲۴ یا ۱۵۳۶ انتخاب کنید
    encoding_format="float",
)

توجه: هر دو cohere.embed-v4:0 (AWS) و embed-v-4-0 (Azure) embeddingهای یکسان تولید می‌کنند. بر اساس نیازهای محدودیت نرخ و توان عملیاتی خود انتخاب کنید.

توجه: نسخه‌های Light و v2 مدل‌های embedding نیز ممکن است در دسترس باشند.

استفاده از مدل‌های Cohere از طریق AvalAI ​

با استفاده از نقاط پایانی استاندارد API AvalAI به مدل‌های Cohere دسترسی پیدا کنید. مدل‌های چت از نقطه پایانی سازگار با OpenAI /chat/completions استفاده می‌کنند. مدل‌های Embedding و Rerank ممکن است از /embeddings و احتمالا نقاط پایانی سفارشی سازگار با ساختار API Cohere استفاده کنند. برای جزئیات استفاده از Rerank، مستندات AvalAI را بررسی کنید.

python
from openai import OpenAI

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

# مثال استفاده از Command R+ Chat
response = client.chat.completions.create(
    model="cohere.command-r-plus",
    messages=[{"role": "user", "content": "حوزه‌های اصلی محصول Cohere چیست؟"}],
)

# مثال استفاده از Embed English v3
embed_response = client.embeddings.create(
    model="cohere.embed-english-v3.0", input=["این یک جمله آزمایشی است."]
)

print(response.choices[0].message.content)
# print(embed_response.data[0].embedding)
نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `cohere.command-r-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="حوزه‌های اصلی محصول Cohere چیست؟",
)

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.

منابع مرتبط ​

حریم خصوصی

تنظیمات حریم خصوصی

ذخیره‌سازی ضروری مرورگر تنظیمات شما را نگه می‌دارد. با اجازه شما، می‌توانیم عملکرد مستندات را اندازه‌گیری کنیم یا داده زنده مدل‌ها را از سرویس ثالث نمایش دهیم.

یک سطح حریم خصوصی انتخاب کنید

ذخیره‌سازی تبلیغاتی، داده کاربر تبلیغاتی یا شخصی‌سازی تبلیغات را فعال نمی‌کنیم. هر زمان می‌توانید این انتخاب را تغییر دهید.

سیاست حریم خصوصی