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 DeepSeek

AvalAI دسترسی به مدل‌های DeepSeek را از طریق API یکپارچه فراهم می‌کند. برای یکپارچه‌سازی‌های جدید، از deepseek-v4.1-flash برای درک بومی تصویر، استدلال، کدنویسی و گردش‌کارهای ابزارمحور استفاده کنید.

مدل‌های موجود

deepseek-v4.1-flash

DeepSeek V4.1 Flash یک مدل ترکیب متخصصان با ۵۵۲ میلیارد پارامتر کل و معماری رمزگذار–رمزگشای علّی (causal encoder–decoder) است. برای پردازش ورودی ۸ میلیارد و برای تولید خروجی ۱۶ میلیارد پارامتر فعال دارد. این مدل از بینایی بومی، حالت‌های تفکری و غیرتفکری، فراخوانی ابزار و حافظه نهان پرامپت پشتیبانی می‌کند.

ویژگی	جزئیات
شناسه مدل در AvalAI	`deepseek-v4.1-flash`
حداکثر توکن ورودی در فهرست AvalAI	1,000,000
حداکثر توکن خروجی در فهرست AvalAI	393,216 (ارائه‌دهنده این مقدار را 384K می‌نامد)
پارامترهای کل / فعال	552B کل؛ 8B فعال برای ورودی / 16B فعال برای خروجی
قابلیت‌ها	بینایی بومی، حالت تفکری / غیرتفکری، فراخوانی ابزار، خروجی JSON، حافظه نهان پرامپت
در دسترس از طریق	`v1/chat/completions`، `v1/messages`، `v1/responses` (پشتیبانی جزئی)
قیمت ورودی	$0.15 / 1M توکن
قیمت ورودی ذخیره‌شده	$0.003 / 1M توکن
قیمت خروجی	$0.60 / 1M توکن

قیمت‌ها به دلار آمریکا هستند. AvalAI همیشه همین تعرفه ثابت کم‌بار را اعمال می‌کند: نیازی به زمان‌بندی درخواست‌ها نیست، قیمت در ساعات اوج دو برابر نمی‌شود و نباید مبالغ جدول را دوباره نصف کنید.

با Chat Completions شروع کنید:

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "deepseek-v4.1-flash",
    "messages": [
      {"role": "user", "content": "Review a database migration plan: identify failure modes and give a concise verification checklist."}
    ]
  }'

پشتیبانی Responses جزئی است و برابری کامل ابزارهای داخلی یا گردش‌کارهای دارای وضعیت ذخیره‌شده را تضمین نمی‌کند. پیش از تغییر نقطه پایانی، گردش‌کار دقیق خود، از جمله رفت‌وبرگشت ابزارها، قالب خروجی و ادامه مکالمه را بررسی کنید. مقدارهای مجاز تلاش استدلالی را از مدل‌های قدیمی به این مدل تعمیم ندهید.

تغییر مسیر پیش‌روی V4-Pro

از ۱۴۰۵-۰۶-۲۳ / (2026-09-14) ساعت 04:00 UTC، درخواست‌های deepseek-v4-pro در AvalAI به deepseek-v4.1-flash هدایت خواهند شد و با تعرفه V4.1 Flash محاسبه می‌شوند. در تاریخ ۱۴۰۵-۰۶-۲۰ / (2026-09-11) این تغییر هنوز انجام نشده است. از هم‌اکنون deepseek-v4.1-flash را انتخاب کنید و پیش از تغییر مسیر، پرامپت‌ها، ورودی‌های تصویری، چرخه‌های ابزار، بودجه خروجی، تأخیر و هزینه را آزمایش کنید.

DeepSeek مدل‌های قدیمی V4-Flash و V4-Flash-Vision-Exp را در سرویس مستقیم خود بازنشسته کرده است. این اعلامیه به‌تنهایی به معنی تغییر مسیرهای دیگری برای این شناسه‌ها در AvalAI نیست. اعلامیه انتشار ۱۴۰۵-۰۶-۲۰ / (2026-09-11) را ببینید.

نسخه‌های پیشین DeepSeek V4

اطلاعات V4-Flash در ادامه، مربوط به نسخه پیشین 0731 است؛ نه مشخصات V4.1 Flash یا اعلام تغییر مسیر جدید در AvalAI. مشخصات و قیمت‌های V4-Pro در ادامه به دوره پیش از تغییر مسیر در ۱۴۰۵-۰۶-۲۳ / (2026-09-14) مربوط‌اند.

deepseek-v4-flash

سابقه نسخه 0731: مدل DeepSeek-V4-Flash-0731 با ۲۸۴ میلیارد پارامتر کل، ۱۳ میلیارد پارامتر فعال و ماژول رمزگشایی حدسی DSpark برای کدنویسی، کار با ترمینال، ابزارها و خودکارسازی عرضه شد. برای یکپارچه‌سازی‌های جدید، بخش V4.1 Flash در بالا را ببینید.

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

python

from openai import OpenAI

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

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

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

سابقه ارتقا: اعلامیه ۱۴۰۵-۰۵-۱۲ / (2026-08-03) ارتقای خودکار به نسخه 0731 را ثبت کرده است و اعلام تغییر مسیر جدید V4.1 برای این شناسه در AvalAI نیست.

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

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

python

import os
from openai import OpenAI

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

response = client.responses.create(
    model="gpt-5.6-luna",
    instructions="You are a helpful assistant.",
    input="مزایای پنجره زمینه ۱ میلیون توکنی برای تحلیل اسناد را خلاصه کنید.",
)

print(response.output_text)

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

deepseek-v4-pro

فقط برای مراجعه به دوره پیش از تغییر مسیر: مشخصات، قیمت‌ها و مثال زیر مربوط به DeepSeek-V4-Pro-0813 پیش از ۱۴۰۵-۰۶-۲۳ / (2026-09-14) ساعت 04:00 UTC هستند. از آن زمان، deepseek-v4-pro از V4.1 Flash و تعرفه آن استفاده خواهد کرد، نه معماری یا قیمت‌های Pro در جدول زیر. برای یکپارچه‌سازی‌های جدید از deepseek-v4.1-flash استفاده کنید.

ویژگی	جزئیات V4-Pro-0813 پیش از تغییر مسیر
پنجره زمینه	1M توکن
حداکثر خروجی	384K توکن (با نگارش ارائه‌دهنده)
پارامترها	1.6T کل / 49B فعال
نسخه پردازش‌کننده	DeepSeek-V4-Pro-0813
رمزگشایی حدسی	ماژول DSpark متصل
حالت	تفکری / غیرتفکری؛ تفکر به‌صورت پیش‌فرض فعال
تلاش استدلالی	`reasoning_effort: "high"` یا `"max"` (low/medium → high، xhigh → max)
قیمت ورودی	$0.66 / 1M توکن
قیمت ورودی ذخیره‌شده	$0.022 / 1M توکن
قیمت خروجی	$1.98 / 1M توکن
فیلد استدلال	`reasoning_content`
قابلیت‌ها	خروجی JSON، فراخوانی ابزار، تکمیل پیشوند چت (بتا)
نقطه پایانی ثبت‌شده	`v1/chat/completions`

python

from openai import OpenAI

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

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

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

سابقه ارتقا: اعلامیه ۱۴۰۵-۰۵-۲۳ / (2026-08-14) ارتقا به نسخه 0813 را ثبت کرده است. تغییر مسیر پیش‌رو در ۱۴۰۵-۰۶-۲۳ / (2026-09-14) جایگزین اطلاعات پردازش‌کننده و قیمت‌گذاری آن خواهد شد.

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

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

python

import os
from openai import OpenAI

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

response = client.responses.create(
    model="gpt-5.6-luna",
    instructions="You are a helpful assistant.",
    input="یک معماری تحمل‌پذیر خطا برای یک پردازنده پرداخت جهانی با ۵۰٬۰۰۰ TPS طراحی کنید.",
)

print(response.output_text)

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

نام‌های سازگار هدایت‌شده به DeepSeek V4

سازگاری: AvalAI نام‌های مستعار موجود را طبق سیاست سازگاری ۱۴۰۵-۰۵-۲۳ / (2026-08-14) حفظ می‌کند. جزئیات قدیمی زیر، همان سیاست و مشخصات V4 پیش از تغییر مسیر را ثبت می‌کنند و اعلام تغییر نام‌های مستعار دیگری نیستند. برای یکپارچه‌سازی‌های جدید از deepseek-v4.1-flash استفاده کنید.

deepseek-chat

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

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

python

from openai import OpenAI

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

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

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

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

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

python

import os
from openai import OpenAI

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

response = client.responses.create(
    model="gpt-5.6-luna",
    instructions="You are a helpful assistant.",
    input="مفهوم درهم‌تنیدگی کوانتومی را به زبان ساده توضیح دهید",
)

print(response.output_text)

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

deepseek-reasoner

سابقه سازگاری پیش از تغییر مسیر: سیاست ۱۴۰۵-۰۵-۲۳ / (2026-08-14)، نام deepseek-reasoner را با تفکر پیش‌فرض فعال به deepseek-v4-pro هدایت می‌کند. مشخصات و قیمت‌های V4-Pro در ادامه مربوط به پیش از ۱۴۰۵-۰۶-۲۳ / (2026-09-14) ساعت 04:00 UTC هستند و حفظ پردازش‌کننده یا تعرفه قدیمی Pro پس از تغییر مسیر اعلام‌شده را تضمین نمی‌کنند.

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

python

from openai import OpenAI

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

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

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

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

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

python

import os
from openai import OpenAI

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

response = client.responses.create(
    model="gpt-5.6-luna",
    instructions="You are a helpful assistant.",
    input="این مسئله ریاضی پیچیده را گام به گام حل کنید: اگر قطاری ۱۲۰ مایل را در ۲ ساعت طی کند، سپس سرعت خود را ۲۵٪ افزایش دهد برای ۳ ساعت بعدی، در مجموع چه مسافتی طی کرده است؟",
)

print(response.output_text)

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

deepseek-v3.2

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

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

مزایای میزبانی Azure AI:

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

python

from openai import OpenAI

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

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

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

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

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

python

import os
from openai import OpenAI

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

response = client.responses.create(
    model="gpt-5.6-luna",
    instructions="You are a helpful assistant.",
    input="یک تابع Python برای پیاده‌سازی درخت جستجوی دودویی بنویس",
)

print(response.output_text)

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

deepseek-v3.2-speciale

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

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

دستاوردهای کلیدی:

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

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

python

from openai import OpenAI

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

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

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

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

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

python

import os
from openai import OpenAI

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

response = client.responses.create(
    model="gpt-5.6-luna",
    instructions="You are a helpful assistant.",
    input="این مسئله IMO را حل کن: همه اعداد صحیح مثبت n را پیدا کن به طوری که n^2 + 1 بر n^3 + n + 1 بخش‌پذیر باشد",
)

print(response.output_text)

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

deepseek-v3.1

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

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

python

from openai import OpenAI

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

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

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

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

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

python

import os
from openai import OpenAI

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

response = client.responses.create(
    model="gpt-5.6-luna",
    instructions="You are a helpful assistant.",
    input="یک تابع Python برای تجزیه و تحلیل فایل‌های لاگ و استخراج الگوهای خطا ایجاد کنید",
)

print(response.output_text)

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

قابلیت‌های کلیدی

استنتاج ترکیبی

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

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

جزئیات API حالت تفکری

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

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

دسترسی به محتوای استدلال:

BashPythonJavaScriptPHP

bash

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

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

python

from openai import OpenAI

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

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

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

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

javascript

import { OpenAI } from "openai";

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

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

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

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

php

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

use OpenAI;

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

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

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

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

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

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

PythonJavaScriptBash

python

import os
from openai import OpenAI

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

response = client.responses.create(
    model="gpt-5.6-luna",
    instructions="You are a helpful assistant.",
    input="۹.۱۱ و ۹.۸، کدام بزرگتر است؟",
)

print(response.output_text)

javascript

import OpenAI from "openai";

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

const response = await client.responses.create({
  model: "gpt-5.6-luna",
  instructions: "You are a helpful assistant.",
  input: "۹.۱۱ و ۹.۸، کدام بزرگتر است؟",
});

console.log(response.output_text);

bash

curl https://api.avalai.ir/v1/responses \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '
  {
    "model": "gpt-5.6-luna",
    "input": "۹.۱۱ و ۹.۸، کدام بزرگتر است؟",
    "instructions": "You are a helpful assistant."
  }'

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

مکالمات چند نوبتی

در مکالمات چند نوبتی با حالت تفکری:

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

BashPythonJavaScriptPHP

bash

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

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

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

python

from openai import OpenAI

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

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

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

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

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

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

javascript

import { OpenAI } from "openai";

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

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

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

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

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

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

php

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

use OpenAI;

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

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

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

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

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

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

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

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

PythonJavaScriptBash

python

import os
from openai import OpenAI

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

response = client.responses.create(
    model="gpt-5.6-luna",
    instructions="You are a helpful assistant.",
    input="حالا آن را در ۲ ضرب کن.",
)

print(response.output_text)

javascript

import OpenAI from "openai";

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

const response = await client.responses.create({
  model: "gpt-5.6-luna",
  instructions: "You are a helpful assistant.",
  input: "حالا آن را در ۲ ضرب کن.",
});

console.log(response.output_text);

bash

curl https://api.avalai.ir/v1/responses \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '
  {
    "model": "gpt-5.6-luna",
    "input": "حالا آن را در ۲ ضرب کن.",
    "instructions": "You are a helpful assistant."
  }'

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

تفکر در استفاده از ابزار

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

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

⚠️ بحرانی: فراخوانی ابزار با حالت تفکری

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

Missing reasoning_content field in the assistant message

پیاده‌سازی صحیح فراخوانی ابزار:

BashPythonJavaScriptPHP

bash

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

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

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

python

import json
from openai import OpenAI

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

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

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

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

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

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

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

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

    messages.append(assistant_message)

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

javascript

import { OpenAI } from "openai";

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

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

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

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

php

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

use OpenAI;

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

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

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

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

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

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

PythonJavaScriptBash

python

import os
from openai import OpenAI

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

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

response = client.responses.create(
    model="gpt-5.6-luna",
    input="آب و هوای تهران امروز چطور است؟",
    tools=tools,
)

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

javascript

import OpenAI from "openai";

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

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

const response = await client.responses.create({
  model: "gpt-5.6-luna",
  input: "آب و هوای تهران امروز چطور است؟",
  tools,
});

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

bash

curl https://api.avalai.ir/v1/responses \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '
  {
    "model": "gpt-5.6-luna",
    "input": "آب و هوای تهران امروز چطور است؟",
    "tools": [
      {
        "type": "function",
        "name": "get_current_weather",
        "description": "Get the current weather in a given location.",
        "parameters": {
          "type": "object",
          "properties": {
            "location": {
              "type": "string"
            }
          },
          "required": [
            "location"
          ],
          "additionalProperties": false
        }
      }
    ]
  }'

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

نکات مهم برای فراخوانی ابزار:

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

مهارت‌های عامل بهبود یافته

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

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

استدلال پیشرفته

حالت تفکری ارائه می‌دهد:

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

بنچمارک‌های عملکرد (بر اساس ادعاهای DeepSeek)

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

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

راهنمای انتخاب مدل

یکپارچه‌سازی‌های جدید را با deepseek-v4.1-flash آغاز کنید. حالت‌های تفکری و غیرتفکری را برای وظیفه خود ارزیابی کنید و بینایی بومی و فراخوانی ابزار را با ورودی‌های واقعی آزمایش کنید. به‌جای محدودیت‌های قدیمی نام‌های مستعار، سقف ۱٬۰۰۰٬۰۰۰ توکن ورودی و ۳۹۳٬۲۱۶ توکن خروجی ثبت‌شده در فهرست را در نظر بگیرید. کاربران V4-Pro باید آزمایش‌های مهاجرت را پیش از ۱۴۰۵-۰۶-۲۳ / (2026-09-14) ساعت 04:00 UTC تکمیل کنند.

اطلاعات قیمت‌گذاری

همه قیمت‌های زیر به دلار آمریکا برای هر ۱ میلیون توکن هستند. AvalAI تعرفه ثابت کم‌بار را در تمام ساعات ارائه می‌کند؛ درخواست‌ها را برای تخفیف زمان‌بندی نکنید و این قیمت‌ها را دوباره نصف نکنید.

مدل / دوره	ورودی ذخیره‌شده	ورودی	خروجی
`deepseek-v4.1-flash`	$0.003	$0.15	$0.60
`deepseek-v4-pro` پیش از ۱۴۰۵-۰۶-۲۳ / (2026-09-14) ساعت 04:00 UTC	$0.022	$0.66	$1.98
`deepseek-v4-pro` از ۱۴۰۵-۰۶-۲۳ / (2026-09-14) ساعت 04:00 UTC، با هدایت به V4.1 Flash	$0.003	$0.15	$0.60

تعرفه ورودی ذخیره‌شده برای توکن‌هایی اعمال می‌شود که در حافظه نهان موجودند؛ سایر توکن‌های ورودی با تعرفه ورودی محاسبه می‌شوند. قیمت‌های پیشین V4-Flash در بخش سابقه انتشار بالا ثبت شده‌اند. اعلامیه انتشار و مهاجرت را ببینید.

بهترین شیوه‌ها برای مدل‌های DeepSeek

پرامپت‌نویسی مؤثر

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

دستورالعمل‌های سیستم

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

Temperature و Top_P

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

استفاده از مدل‌های DeepSeek از طریق AvalAI

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

python

from openai import OpenAI

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

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

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

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

python

import os
from openai import OpenAI

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

response = client.responses.create(
    model="gpt-5.6-luna",
    instructions="You are a helpful assistant.",
    input="سلام!",
)

print(response.output_text)

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

نکات مهم

مسیریابی مدل

برای یکپارچه‌سازی‌های جدید از deepseek-v4.1-flash استفاده کنید. جدول زیر نگاشت‌های حفظ‌شده در سیاست سازگاری AvalAI در ۱۴۰۵-۰۵-۲۳ / (2026-08-14) را ثبت می‌کند و اعلام تغییر مسیر نام‌های مستعار دیگری نیست. مسیر صریح deepseek-v4-pro در ۱۴۰۵-۰۶-۲۳ / (2026-09-14) ساعت 04:00 UTC به V4.1 Flash تغییر خواهد کرد.

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

طبق سیاست سازگاری، تعرفه ثابت مدل مقصد اعمال می‌شود. جزئیات V4-Pro در این صفحه را اطلاعات دوره پیش از تغییر مسیر بدانید. برای مدل‌های خارج از این جدول، از جمله deepseek-v3.2 و deepseek-v3.2-speciale، تغییر دیگری در اینجا اعلام نشده است.

پنجره زمینه

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

پشتیبانی از فراخوانی تابع

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

تفاوت‌ها با خانواده‌های مدل دیگر

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

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

نسخه‌بندی مدل

deepseek-v4.1-flash: شناسه صریح پیشنهادی AvalAI برای یکپارچه‌سازی‌های جدید، با بینایی بومی و حالت‌های تفکری / غیرتفکری.
deepseek-v4-pro: پیش از ۱۴۰۵-۰۶-۲۳ / (2026-09-14) ساعت 04:00 UTC از V4-Pro-0813 استفاده می‌کند؛ از آن زمان به V4.1 Flash هدایت خواهد شد و تعرفه V4.1 Flash را خواهد داشت.
deepseek-v4-flash: شناسه نسل پیشین V4؛ بازنشستگی در سرویس مستقیم ارائه‌دهنده به‌تنهایی تغییر مسیر جدید در AvalAI را تأیید نمی‌کند.
نام‌های مستعار موجود همچنان زیر پوشش سیاست سازگاری AvalAI در ۱۴۰۵-۰۵-۲۳ / (2026-08-14) هستند. اطلاعات زنده مسیرها را از /v1/models بررسی کنید؛ پشتیبانی تأییدشده نقاط پایانی مدل‌های جدید در بالا آمده است، حتی اگر فیلدهای نقاط پایانی در فهرست ناقص باشند.

قیمت‌گذاری

برای تعرفه V4.1 Flash و قیمت‌های V4-Pro پیش و پس از تغییر مسیر، اطلاعات قیمت‌گذاری بالا را ببینید. تعرفه‌های اعلام‌شده DeepSeek در AvalAI در تمام ساعات ثابت‌اند.

منابع مرتبط

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

مدل‌های DeepSeek ​

مدل‌های موجود ​

deepseek-v4.1-flash ​

تغییر مسیر پیش‌روی V4-Pro ​

نسخه‌های پیشین DeepSeek V4 ​

deepseek-v4-flash ​

deepseek-v4-pro ​

نام‌های سازگار هدایت‌شده به DeepSeek V4 ​

deepseek-chat ​

deepseek-reasoner ​

deepseek-v3.2 ​

deepseek-v3.2-speciale ​

deepseek-v3.1 ​

قابلیت‌های کلیدی ​

استنتاج ترکیبی ​

جزئیات API حالت تفکری ​

مکالمات چند نوبتی ​

تفکر در استفاده از ابزار ​

مهارت‌های عامل بهبود یافته ​

استدلال پیشرفته ​

بنچمارک‌های عملکرد (بر اساس ادعاهای DeepSeek) ​

راهنمای انتخاب مدل ​

اطلاعات قیمت‌گذاری ​

بهترین شیوه‌ها برای مدل‌های DeepSeek ​

پرامپت‌نویسی مؤثر ​

دستورالعمل‌های سیستم ​

Temperature و Top_P ​

استفاده از مدل‌های DeepSeek از طریق AvalAI ​

نکات مهم ​

مسیریابی مدل ​

پنجره زمینه ​

پشتیبانی از فراخوانی تابع ​

تفاوت‌ها با خانواده‌های مدل دیگر ​

نسخه‌بندی مدل ​

قیمت‌گذاری ​

منابع مرتبط ​

مدل‌های DeepSeek

مدل‌های موجود

deepseek-v4.1-flash

تغییر مسیر پیش‌روی V4-Pro

نسخه‌های پیشین DeepSeek V4

deepseek-v4-flash

deepseek-v4-pro

نام‌های سازگار هدایت‌شده به DeepSeek V4

deepseek-chat

deepseek-reasoner

deepseek-v3.2

deepseek-v3.2-speciale

deepseek-v3.1

قابلیت‌های کلیدی

استنتاج ترکیبی

جزئیات API حالت تفکری

مکالمات چند نوبتی

تفکر در استفاده از ابزار

مهارت‌های عامل بهبود یافته

استدلال پیشرفته

بنچمارک‌های عملکرد (بر اساس ادعاهای DeepSeek)

راهنمای انتخاب مدل

اطلاعات قیمت‌گذاری

بهترین شیوه‌ها برای مدل‌های DeepSeek

پرامپت‌نویسی مؤثر

دستورالعمل‌های سیستم

Temperature و Top_P

استفاده از مدل‌های DeepSeek از طریق AvalAI

نکات مهم

مسیریابی مدل

پنجره زمینه

پشتیبانی از فراخوانی تابع

تفاوت‌ها با خانواده‌های مدل دیگر

نسخه‌بندی مدل

قیمت‌گذاری

منابع مرتبط