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

Mistral AI ​

AvalAI دسترسی به سرویس‌های Mistral AI را از طریق API یکپارچه ما فراهم می‌کند. این صفحه جزئیات مدل‌های موجود Mistral AI، قابلیت‌های آن‌ها و موارد استفاده را شرح می‌دهد.

مدل‌های موجود ​

مدل‌های متن و چت ​

Mistral AI چندین مدل زبانی قدرتمند برای تولید متن و کاربردهای چت ارائه می‌دهد.

mistral-large-3 ​

مدل mistral-large-3 توانمندترین مدل Mistral AI تا به امروز است، یک مدل متن‌باز پیشرفته با معماری مخلوط-متخصصان پراکنده با ۴۱ میلیارد پارامتر فعال و ۶۷۵ میلیارد پارامتر کل. تحت مجوز Apache 2.0 منتشر شده است.

ویژگی‌های کلیدی:

  • معماری مخلوط-متخصصان پراکنده (۴۱ میلیارد فعال / ۶۷۵ میلیارد کل پارامتر)
  • منتشر شده تحت مجوز Apache 2.0 برای دسترسی کامل متن‌باز
  • قابلیت‌های چندوجهی بومی با درک تصویر
  • بهترین عملکرد در کلاس برای مکالمات چندزبانه در ۴۰+ زبان
  • به برابری با بهترین مدل‌های متن‌باز تنظیم‌شده با دستورالعمل می‌رسد
  • رتبه ۲ در دسته مدل‌های OSS غیر استدلالی در LMArena (رتبه ۶ کلی در میان مدل‌های OSS)
  • چک‌پوینت بهینه‌شده در فرمت NVFP4 برای استقرار کارآمد
  • قابلیت اجرا روی یک گره تک 8×A100 یا 8×H100 با استفاده از vLLM

قیمت‌گذاری:

ورودیورودی کش‌شدهخروجیهر صفحه
$0.50/1M توکن$0.05/1M توکن$1.50/1M توکن$0.001/صفحه

موارد استفاده:

  • وظایف استدلال و تحلیل پیچیده
  • مکالمات و تولید محتوای چندزبانه
  • درک و پردازش اسناد
  • تولید کد و وظایف فنی
  • برنامه‌های تحقیقاتی و سازمانی
  • گردش‌های کاری عاملی و استفاده از ابزار
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="mistral-large-3",
    messages=[
        {
            "role": "user",
            "content": "پیامدهای محاسبات کوانتومی بر رمزنگاری مدرن را تحلیل کنید.",
        }
    ],
)

print(response.choices[0].message.content)
نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `mistral-large-3` 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="پیامدهای محاسبات کوانتومی بر رمزنگاری مدرن را تحلیل 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.

codestral-2501 ​

مدل codestral-2501 یک مدل تخصصی ۲۲ میلیارد پارامتری است که برای تولید کد در بیش از ۸۰ زبان برنامه‌نویسی طراحی شده است. این مدل استاندارد جدیدی برای عملکرد و قابلیت‌های تولید کد تعیین می‌کند.

ویژگی‌های کلیدی:

  • تسلط بر بیش از ۸۰ زبان برنامه‌نویسی از جمله Python، Java، C، C++، JavaScript، Bash، Swift، Fortran و بسیاری دیگر
  • تکمیل توابع کدنویسی، نوشتن تست‌ها و پر کردن کد ناقص با استفاده از مکانیسم پر کردن میانی (fill-in-the-middle)
  • پنجره زمینه ۳۲ هزار توکنی برای تکمیل و درک کد طولانی
  • عملکرد برتر در معیارهای سنجش شامل HumanEval، MBPP، CruxEval و RepoBench
  • برتری در تولید SQL و وظایف برنامه‌نویسی چندزبانه
  • قابلیت‌های پیشرفته پر کردن میانی برای ویرایش و تکمیل کد

موارد استفاده:

  • توسعه نرم‌افزار و تولید کد
  • ایجاد و خودکارسازی تست
  • تکمیل کد در محیط‌های توسعه یکپارچه (IDE) و محیط‌های توسعه
  • تولید مستندات فنی
  • ترجمه کد بین زبان‌های برنامه‌نویسی
  • اشکال‌زدایی و بهینه‌سازی کد

mistral-small-2503 ​

مدل mistral-small-2503 یک مدل زبانی همه‌کاره و کارآمد است که برای وظایف تولید و درک متن عمومی طراحی شده است. این مدل تعادل خوبی بین عملکرد و کارایی محاسباتی ارائه می‌دهد.

ویژگی‌های کلیدی:

  • بهینه‌سازی شده برای وظایف زبانی عمومی
  • پشتیبانی از پنجره زمینه ۱ میلیون توکنی
  • عملکرد کارآمد برای وظایف زبانی روزمره
  • قابلیت‌های متعادل در استدلال، تولید محتوا و درک متن
  • گزینه مقرون به صرفه برای کاربردهای تولیدی

موارد استفاده:

  • تولید محتوا و خلاصه‌سازی
  • پاسخگویی به سؤالات و بازیابی اطلاعات
  • طبقه‌بندی و تحلیل متن
  • کاربردهای هوش مصنوعی مکالمه‌ای
  • پردازش و درک اسناد

مدل‌های OCR ​

mistral-ocr-4-0 ​

مدل mistral-ocr-4-0 جدیدترین مدل استخراج و درک سند Mistral AI است. این مدل متن Markdown را همراه با bounding box، طبقه‌بندی نوع بلوک و اطلاعات confidence درون‌خطی برمی‌گرداند و از ۱۷۰ زبان در ۱۰ گروه زبانی پشتیبانی می‌کند.

mistral-ocr-latest اکنون به mistral-ocr-4-0 اشاره می‌کند و از همان قیمت‌گذاری استفاده می‌کند؛ بنابراین ادغام‌های موجود مبتنی بر alias لازم نیست فورا تغییر کنند. برای workflowهای قابل بازتولید، شناسه نسخه‌دار را به‌کار ببرید.

ویژگی‌های کلیدی:

  • ارائه bounding box برای هایلایت موضعی، citation و گردش‌کارهای redaction
  • طبقه‌بندی بلوک‌هایی مانند عنوان، جدول، معادله و امضا
  • ارائه اطلاعات confidence درون‌خطی برای اعتبارسنجی و بازبینی انسانی
  • حفظ ساختار سند در قالب Markdown برای RAG و pipelineهای ایندکس‌گذاری
  • پشتیبانی از ۱۷۰ زبان در ۱۰ گروه زبانی
  • پذیرش فرمت‌های متداول از جمله PDF، DOC، PPT، OpenDocument و تصویر
  • پشتیبانی از annotation ساختاریافته Document AI در همان endpoint OCR
  • مناسب برای semantic chunking، جستجوی سازمانی، پردازش فرم، فاکتور و workflowهای انطباق

قیمت‌گذاری:

  • استخراج OCR: مبلغ $0.004 به ازای هر صفحه ($4 برای ۱٬۰۰۰ صفحه)
  • annotation سند یا تصویر: مبلغ $0.005 به ازای هر صفحه annotation‌شده ($5 برای ۱٬۰۰۰ صفحه)

انواع فایل‌های پشتیبانی شده:

  • اسناد PDF (تا 50 مگابایت و 1000 صفحه)
  • تصاویر در فرمت‌های PNG، JPEG، WEBP و GIF غیر متحرک

نحوه استفاده ​

برخلاف سایر مدل‌های سازگار با OpenAI، مدل‌های Mistral AI از ساختار نقطه پایانی متفاوتی بدون بخش مسیر "/v1" استفاده می‌کنند.

مثال‌های پردازش OCR ​

استفاده از URL برای پردازش PDF ​

python
from mistralai import Mistral

client = Mistral(server_url="https://api.avalai.ir", api_key="avalai-api-key")

document_param = {
    "type": "document_url",
    "document_url": "https://arxiv.org/pdf/1805.04770",
}

ocr_response = client.ocr.process(
    model="mistral-ocr-4-0",
    document=document_param,
    pages=list(range(0, 100)),  # پردازش تا 100 صفحه
)

print(ocr_response)

استفاده از PDF با کدگذاری Base64 ​

python
import base64
from mistralai import Mistral

# خواندن و کدگذاری فایل PDF
with open("document.pdf", "rb") as f:
    pdf_data = f.read()

base64_pdf = base64.b64encode(pdf_data).decode("utf-8")
document_url = f"data:application/pdf;base64,{base64_pdf}"

# پردازش PDF کدگذاری شده
client = Mistral(server_url="https://api.avalai.ir", api_key="avalai-api-key")

document_param = {"type": "document_url", "document_url": document_url}

ocr_response = client.ocr.process(
    model="mistral-ocr-4-0",
    document=document_param,
    pages=list(range(0, 100)),  # پردازش تا 100 صفحه
)

print(ocr_response)

پردازش صفحات خاص ​

python
from mistralai import Mistral

client = Mistral(server_url="https://api.avalai.ir", api_key="avalai-api-key")

document_param = {
    "type": "document_url",
    "document_url": "https://arxiv.org/pdf/1805.04770",
}

# پردازش فقط صفحات 0، 1 و 5
ocr_response = client.ocr.process(
    model="mistral-ocr-4-0",
    document=document_param,
    pages=[0, 1, 5],  # فقط پردازش صفحات خاص
)

print(ocr_response)

مثال JavaScript ​

javascript
import { Mistral } from "mistralai";

const client = new Mistral({
  apiKey: "avalai-api-key",
  baseURL: "https://api.avalai.ir",
});

const documentParam = {
  type: "document_url",
  document_url: "https://arxiv.org/pdf/1805.04770",
};

const ocrResponse = await client.ocr.process({
  model: "mistral-ocr-4-0",
  document: documentParam,
  pages: Array.from({ length: 100 }, (_, i) => i), // پردازش تا 100 صفحه
});

console.log(ocrResponse);

درک سند ​

مدل mistral-ocr-4-0 همچنین می‌تواند با مدل‌های زبانی ترکیب شود تا امکان تعامل زبان طبیعی با محتوای سند را فراهم کند. این به شما امکان می‌دهد با پرسیدن سؤالات به زبان طبیعی، اطلاعات و بینش‌ها را از اسناد استخراج کنید.

پاسخگویی به سؤالات از مقالات علمی ​

python
from mistralai import Mistral
from mistralai.models.chat import ChatMessage

# راه‌اندازی کلاینت
client = Mistral(server_url="https://api.avalai.ir", api_key="avalai-api-key")

# ابتدا سند را با OCR پردازش کنید
document_param = {
    "type": "document_url",
    "document_url": "https://arxiv.org/pdf/1805.04770",
}

ocr_response = client.ocr.process(
    model="mistral-ocr-4-0",
    document=document_param,
    pages=[0, 1, 2],  # پردازش 3 صفحه اول
)

# ایجاد یک پیام با متن و سند
document_content = (
    ocr_response.pages[0].text
    + "\n"
    + ocr_response.pages[1].text
    + "\n"
    + ocr_response.pages[2].text
)
message = f"""
لطفا این مقاله علمی را تحلیل کنید و بر اساس محتوای آن به سؤالات پاسخ دهید:

{document_content}
"""

# ارسال درخواست
messages = [
    ChatMessage(role="user", content=message),
]

chat_response = client.chat(
    model="mistral-large-latest",
    messages=messages,
)

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

# پرسیدن سؤالات خاص درباره سند
question = "دستاورد اصلی این مقاله چیست؟"
messages = [
    ChatMessage(role="user", content=message),
    ChatMessage(role="assistant", content=chat_response.choices[0].message.content),
    ChatMessage(role="user", content=question),
]

chat_response = client.chat(
    model="mistral-large-latest",
    messages=messages,
)

print(f"سؤال: {question}\nپاسخ: {chat_response.choices[0].message.content}")

استخراج اطلاعات از رسیدها ​

python
from mistralai import Mistral
from mistralai.models.chat import ChatMessage

# راه‌اندازی کلاینت
client = Mistral(server_url="https://api.avalai.ir", api_key="avalai-api-key")

# پردازش تصویر رسید
document_param = {
    "type": "document_url",
    "document_url": "https://example.com/receipt.jpg",
}

ocr_response = client.ocr.process(
    model="mistral-ocr-4-0",
    document=document_param,
)

# ایجاد یک پیام با متن و تصویر
message = f"""
اطلاعات زیر را از این رسید استخراج کنید:
1. نام فروشگاه
2. تاریخ خرید
3. مبلغ کل
4. لیست اقلام خریداری شده با قیمت‌ها

محتوای رسید:
{ocr_response.pages[0].text}
"""

# ارسال درخواست
messages = [
    ChatMessage(role="user", content=message),
]

chat_response = client.chat(
    model="mistral-large-latest",
    messages=messages,
)

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

قابلیت‌های کلیدی:

  • پاسخگویی به سؤالات در مورد محتوای خاص سند
  • استخراج اطلاعات و خلاصه‌سازی
  • تجزیه و تحلیل سند و ارائه بینش‌ها
  • پرس و جوهای چند سندی و مقایسه‌ها
  • پاسخ‌های آگاه از زمینه که کل سند را در نظر می‌گیرند
  • گزینه‌های خروجی ساختاریافته برای پردازش پایین‌دستی

موارد استفاده کلیدی ​

Mistral OCR امکان طیف گسترده‌ای از کاربردهای پردازش اسناد را فراهم می‌کند:

  • تحقیقات علمی: تبدیل مقالات علمی با فرمول‌ها و نمودارهای پیچیده به فرمت‌های آماده هوش مصنوعی
  • حفظ میراث تاریخی: دیجیتال‌سازی اسناد و آثار تاریخی برای دسترسی گسترده‌تر
  • خدمات مشتری: تبدیل مستندات و راهنماها به پایگاه‌های دانش نمایه‌شده
  • آموزش: تبدیل یادداشت‌های سخنرانی و ارائه‌ها به محتوای قابل جستجو
  • حقوقی: پردازش پرونده‌های نظارتی و اسناد حقوقی
  • مهندسی: استخراج اطلاعات از متون فنی و نقشه‌ها

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