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

Moonshot.ai

Moonshot.ai مدل‌های پیشرفته هوش مصنوعی را از طریق سری Kimi خود ارائه می‌دهد که شامل پنجره‌های زمینه گسترده، قابلیت‌های بینایی، ویژگی‌های استدلال و پشتیبانی جامع از فراخوانی ابزار است. همه مدل‌ها برای مکالمات چینی و انگلیسی بهینه شده‌اند و از فرمت SDK OpenAI پشتیبانی می‌کنند.

مدل‌های موجود

kimi-k3 - پرچم‌دار جدید Moonshot AI با ۲٫۸ تریلیون پارامتر، بینایی بومی، استدلال همیشه‌فعال و زمینه ۱ میلیون توکنی
kimi-k2.7-code - جدیدترین مدل کدنویسی متن‌باز با مهندسی نرم‌افزار SOTA و قابلیت‌های عاملی
kimi-k2.7-code-highspeed - نسخه پرسرعت K2.7 Code برای بارهای کاری کدنویسی با تأخیر پایین
kimi-k2.6 - مدل متن‌باز با کدنویسی SOTA، اجرای long-horizon و Agent Swarm
kimi-k2.5 - قوی‌ترین مدل چندوجهی متن‌باز با قابلیت‌های ازدحام عامل
kimi-k2-thinking - مدل استدلال عاملی پرچمدار با قابلیت‌های استدلال عمیق
kimi-k2-0711-preview - پیش‌نمایش مدل K2 نسل بعدی
kimi-latest - نام مستعاری که اکنون به kimi-k3 اشاره می‌کند
kimi-thinking-preview - مدل استدلال پیشرفته با زنجیره تفکر
moonshot-v1-8k - مدل مقرون به صرفه با زمینه 8K
moonshot-v1-8k-vision-preview - مدل با قابلیت بینایی 8K
moonshot-v1-32k - مدل متعادل با زمینه 32K
moonshot-v1-32k-vision-preview - مدل با قابلیت بینایی 32K
moonshot-v1-128k - مدل گسترده با زمینه 128K
moonshot-v1-128k-vision-preview - مدل با قابلیت بینایی 128K
moonshot-v1-auto - انتخاب خودکار مدل

پشتیبانی نقطه پایانی API

مدل	v1/chat/completions	v1/messages	v1/responses
`kimi-k3` / `kimi-latest`	✅ کامل	✅ کامل	⚠️ جزئی
سایر مدل‌های Moonshot	✅ کامل	⚠️ جزئی	⚠️ جزئی

ویژگی‌های کلیدی

پنجره‌های زمینه گسترده: تا ۱ میلیون توکن با kimi-k3 برای اسناد، کدبیس‌ها و مکالمات طولانی
قابلیت‌های بینایی: kimi-k3 درک بصری بومی دارد و مدل‌های قدیمی vision-preview نیز ورودی تصویر را می‌پذیرند
استفاده از ابزار (فراخوانی تابع): همه مدل‌ها از حداکثر ۱۲۸ ابزار در هر درخواست پشتیبانی می‌کنند
حالت JSON: پشتیبانی از خروجی ساختاریافته از طریق پارامتر response_format
حالت جزئی: امکان پیش‌پر کردن پاسخ‌های دستیار برای کنترل بهتر خروجی
کش کردن پرامپت: همه مدل‌ها از ورودی کش شده برای صرفه‌جویی قابل توجه در هزینه پشتیبانی می‌کنند
پشتیبانی دوزبانه: بهینه‌سازی شده برای مکالمات چینی و انگلیسی

kimi-k3

توانمندترین مدل پرچم‌دار Moonshot AI

Kimi K3 یک مدل پراکنده Mixture-of-Experts با ۲٫۸ تریلیون پارامتر است که با Kimi Delta Attention و Attention Residuals ساخته شده است. این مدل زمینه ۱ میلیون توکنی، درک بصری بومی، استدلال همیشه‌فعال، کدنویسی بلندمدت، کار دانشی، خروجی ساختاریافته و استفاده از ابزار را ترکیب می‌کند. نام مستعار kimi-latest اکنون به این مدل اشاره می‌کند.

ویژگی‌ها

زمینه ۱ میلیون توکنی: پردازش اسناد طولانی، کدبیس‌های بزرگ و مکالمات گسترده
استدلال همیشه‌فعال: به‌صورت پیش‌فرض از reasoning_effort: "max" استفاده می‌کند
بینایی بومی: درک تصویر و بازخورد بصری در کنار متن
کدنویسی بلندمدت: مناسب وظایف مهندسی در مقیاس ریپو و استفاده مداوم از ابزار
خروجی ساختاریافته: پشتیبانی از JSON Schema سخت‌گیرانه
فراخوانی ابزار: پشتیبانی از ابزارهای سفارشی و گردش‌کارهای چندمرحله‌ای
کش خودکار پرامپت: استفاده مجدد از پیشوندهای بدون تغییر، بدون شناسه کش یا پارامتر اضافی

قیمت‌گذاری

نوع	هزینه
توکن‌های ورودی	$3.00 به ازای 1M توکن
توکن‌های ورودی کش‌شده	$0.30 به ازای 1M توکن
توکن‌های خروجی	$15.00 به ازای 1M توکن

پشتیبانی نقطه پایانی

نقطه پایانی	پشتیبانی
`v1/chat/completions`	✅ کامل
`v1/messages`	✅ کامل
`v1/responses`	⚠️ جزئی

مثال

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "kimi-k3",
    "messages": [{"role": "user", "content": "برای مهاجرت یک مونولیت بزرگ Python برنامه طراحی کن."}],
    "reasoning_effort": "max",
    "max_completion_tokens": 8192
  }'

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="kimi-k3",
    messages=[
        {
            "role": "user",
            "content": "برای مهاجرت یک مونولیت بزرگ Python برنامه طراحی کن.",
        }
    ],
    reasoning_effort="max",
    max_completion_tokens=8192,
)
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: "kimi-k3",
  messages: [{ role: "user", content: "برای مهاجرت یک مونولیت بزرگ Python برنامه طراحی کن." }],
  reasoning_effort: "max",
  max_completion_tokens: 8192,
});
console.log(response.choices[0].message.content);

kimi-k2.7-code

کدنویسی متن‌باز SOTA — مهندسی نرم‌افزار و گردش‌کارهای عاملی

Kimi K2.7 Code جدیدترین مدل متن‌باز Moonshot AI است که به‌طور ویژه برای مهندسی نرم‌افزار و کدنویسی عاملی ساخته شده است. این مدل نتایج state-of-the-art را در معیارهای کدنویسی و عاملی ارائه می‌دهد و قابلیت اطمینان چندمرحله‌ای قدرتمندی برای تولید full-stack، وظایف سطح ریپو و استفاده از ابزار در افق بلند دارد. این مدل از طریق ارائه‌دهنده API شرکت Fireworks.ai سرویس‌دهی می‌شود.

ویژگی‌ها

کدنویسی SOTA: عملکرد پیشرو در مهندسی نرم‌افزار در وظایف فرانت‌اند و بک‌اند
گردش‌کارهای عاملی: اجرای چندمرحله‌ای قابل اطمینان با استفاده از ابزار برای کارهای سطح ریپو و full-stack
اجرای Long-Horizon: مدیریت وظایف پیچیده و چندمرحله‌ای با قابلیت اطمینان بالا
فراخوانی توابع: پشتیبانی کامل از فراخوانی توابع
زمینه گسترده: پنجره زمینه ۲۶۲٬۱۴۴ توکنی برای کدبیس‌های بزرگ و جلسات طولانی

قیمت‌گذاری

نوع	هزینه
توکن‌های ورودی	$0.95 در هر 1M توکن
توکن‌های ورودی کش‌شده	$0.19 در هر 1M توکن
توکن‌های خروجی	$4.00 در هر 1M توکن

پشتیبانی نقطه پایانی

نقطه پایانی	پشتیبانی
`v1/chat/completions`	✅ کامل
`v1/responses`	⚠️ جزئی

موارد استفاده

تولید برنامه‌های وب full-stack
درک و بازآرایی کد در سطح ریپو
گردش‌کارهای کدنویسی عاملی با استفاده از ابزار در چند مرحله
جایگزین کدنویسی متن‌باز کم‌هزینه و باکیفیت

مثال

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "kimi-k2.7-code",
    "messages": [
      {
        "role": "user",
        "content": "یک REST API در FastAPI با احراز هویت JWT و مدل‌های SQLAlchemy پیاده‌سازی کن."
      }
    ],
    "max_tokens": 8192
  }'

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="kimi-k2.7-code",
    messages=[
        {
            "role": "user",
            "content": "یک REST API در FastAPI با احراز هویت JWT و مدل‌های SQLAlchemy پیاده‌سازی کن.",
        },
    ],
    max_tokens=8192,
)

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: "kimi-k2.7-code",
  messages: [
    {
      role: "user",
      content: "یک REST API در FastAPI با احراز هویت JWT و مدل‌های SQLAlchemy پیاده‌سازی کن.",
    },
  ],
  max_tokens: 8192,
});

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `kimi-k2.7-code` 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="یک REST API در FastAPI با احراز هویت JWT و مدل‌های SQLAlchemy پیاده‌سازی 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-5.5",
  instructions: "You are a helpful assistant.",
  input: "یک REST API در FastAPI با احراز هویت JWT و مدل‌های SQLAlchemy پیاده‌سازی 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-5.5",
    "input": "یک REST API در FastAPI با احراز هویت JWT و مدل‌های SQLAlchemy پیاده‌سازی 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.

kimi-k2.7-code-highspeed

کدنویسی با تأخیر پایین — نسخه پرسرعت K2.7 Code

Kimi K2.7 Code Highspeed یک نسخه سرویس‌دهی پرسرعت از Kimi K2.7 Code است که برای بارهای کاری کدنویسی با تأخیر پایین، جایی که زمان پاسخ سریع‌تر اهمیت دارد، بهینه شده است. این مدل همان قابلیت‌های مهندسی نرم‌افزار و عاملی را حفظ می‌کند و در عین حال توان عملیاتی را در اولویت قرار می‌دهد، با قیمت هر توکن بالاتر که مسیر سرویس‌دهی پرسرعت اختصاصی را منعکس می‌کند. این مدل از طریق ارائه‌دهنده API شرکت Fireworks.ai سرویس‌دهی می‌شود.

ویژگی‌ها

سرویس‌دهی پرسرعت: بهینه‌شده برای پاسخ‌های با تأخیر پایین در سناریوهای کدنویسی تعاملی
کدنویسی SOTA: همان عملکرد پیشرو مهندسی نرم‌افزار مانند K2.7 Code
گردش‌کارهای عاملی: اجرای چندمرحله‌ای قابل اطمینان با استفاده از ابزار
فراخوانی توابع: پشتیبانی کامل از فراخوانی توابع
زمینه گسترده: پنجره زمینه ۲۶۲٬۱۴۴ توکنی

قیمت‌گذاری

نوع	هزینه
توکن‌های ورودی	$1.90 در هر 1M توکن
توکن‌های ورودی کش‌شده	$0.38 در هر 1M توکن
توکن‌های خروجی	$8.00 در هر 1M توکن

پشتیبانی نقطه پایانی

نقطه پایانی	پشتیبانی
`v1/chat/completions`	✅ کامل
`v1/responses`	⚠️ جزئی

موارد استفاده

دستیارهای IDE تعاملی که به زمان پاسخ سریع نیاز دارند
گردش‌کارهای کدنویسی عاملی حساس به تأخیر
تولید و تکمیل کد بلادرنگ

مثال

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "kimi-k2.7-code-highspeed",
    "messages": [
      {
        "role": "user",
        "content": "یک هوک جستجوی debounced در React با TypeScript بنویس."
      }
    ],
    "max_tokens": 4096
  }'

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="kimi-k2.7-code-highspeed",
    messages=[
        {
            "role": "user",
            "content": "یک هوک جستجوی debounced در React با TypeScript بنویس.",
        },
    ],
    max_tokens=4096,
)

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: "kimi-k2.7-code-highspeed",
  messages: [
    {
      role: "user",
      content: "یک هوک جستجوی debounced در React با TypeScript بنویس.",
    },
  ],
  max_tokens: 4096,
});

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `kimi-k2.7-code-highspeed` 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="یک هوک جستجوی debounced در React با TypeScript بنویس.",
)

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: "یک هوک جستجوی debounced در React با TypeScript بنویس.",
});

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": "یک هوک جستجوی debounced در React با TypeScript بنویس.",
    "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.

kimi-k2.6

از کد تا خلق، از یک به چندین — کدنویسی SOTA با اجرای Long-Horizon

Kimi K2.6 مدل کدنویسی متن‌باز قبلی Moonshot است و برای بارهای کاری جدید کدنویسی عاملی، Kimi K2.7 Code جایگزین پیشنهادی آن است. این مدل همچنان برای کدنویسی state-of-the-art، اجرای long-horizon و قابلیت‌های Agent Swarm کاربرد دارد و بر پایه K2.5 ساخته شده و قابلیت اطمینان چندمرحله‌ای قوی‌تر، تولید full-stack، قابلیت استفاده مجدد Document-to-Skills، Claw Groups (پیش‌نمایش) و Kimi Slides را دارد.

ویژگی‌ها

کدنویسی SOTA: دستورالعمل‌ها را به رابط‌های فرانت‌اند در سطح Awwwards با خطوط تمیز، انیمیشن‌ها و تعاملات تبدیل می‌کند
تولید Full-Stack: وب‌سایت‌های کامل کارآمد با احراز هویت، تعاملات و عملیات پایگاه داده را از یک دستورالعمل می‌سازد
اجرای Long-Horizon: وظایف پیچیده و چندمرحله‌ای را با قابلیت اطمینان بالاتر و تغییرات غیرضروری کمتر مدیریت می‌کند
Agent Swarm: هماهنگی چندین عامل به‌صورت موازی برای جستجو، تحقیق، تحلیل، نگارش بلند و تولید محتوای چندفرمتی
Document to Skills: تبدیل اسناد باکیفیت به مهارت‌های قابل استفاده مجدد که در وظایف آینده به‌کار می‌آیند
Claw Groups (پیش‌نمایش): جریان کاری چندعاملی با یک هماهنگ‌کننده که وظایف و پیش‌نیاز‌ها را مدیریت می‌کند
Kimi Slides: تولید ارائه‌های آماده تولید از دستورالعمل‌ها یا ورودی‌های چندفرمتی
فراخوانی توابع: پشتیبانی کامل از فراخوانی توابع

قیمت‌گذاری

نوع	هزینه
توکن‌های ورودی	$0.95 در هر 1M توکن
توکن‌های ورودی کش‌شده	$0.16 در هر 1M توکن
توکن‌های خروجی	$4.00 در هر 1M توکن

موارد استفاده

تولید برنامه‌های وب full-stack با UI تمیز و احراز هویت
جریان‌های کاری عامل‌محور long-horizon (تحقیق، تحلیل، تولید خلاقانه)
هماهنگی چندعاملی از طریق Claw Groups برای پروژه‌های پیچیده
تولید ارائه‌های آماده تولید با Kimi Slides
تبدیل Document-to-Skills برای الگوهای قابل استفاده مجدد
استراتژی بازار و تولید محتوای چندفرمتی

مثال

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "kimi-k2.6",
    "messages": [
      {
        "role": "user",
        "content": "Build a full-stack task management web application with user authentication, real-time updates, and a clean modern UI."
      }
    ],
    "max_tokens": 8192
  }'

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="kimi-k2.6",
    messages=[
        {
            "role": "user",
            "content": "Build a full-stack task management web application with user authentication, real-time updates, and a clean modern UI.",
        },
    ],
    max_tokens=8192,
)

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: "kimi-k2.6",
  messages: [
    {
      role: "user",
      content: "Build a full-stack task management web application with user authentication, real-time updates, and a clean modern UI.",
    },
  ],
  max_tokens: 8192,
});

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `kimi-k2.6` 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="Build a full-stack task management web application with user authentication, real-time updates, and a clean modern UI.",
)

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: "Build a full-stack task management web application with user authentication, real-time updates, and a clean modern UI.",
});

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": "Build a full-stack task management web application with user authentication, real-time updates, and a clean modern UI.",
    "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.

kimi-k2.5

قوی‌ترین مدل چندوجهی متن‌باز با هوش عاملی بصری

Kimi K2.5 قوی‌ترین مدل متن‌باز Moonshot AI تا به امروز است که بر اساس Kimi K2 با آموزش مداوم بر روی تقریبا 15 تریلیون توکن ترکیبی بصری و متنی ساخته شده است. به عنوان یک مدل چندوجهی بومی، K2.5 قابلیت‌های کدنویسی و بینایی پیشرفته و یک الگوی ازدحام عامل خودهدایت ارائه می‌دهد.

ویژگی‌ها

هوش عاملی بصری: قابلیت‌های چندوجهی بومی با کدنویسی و بینایی پیشرفته
ازدحام عامل: هدایت تا 100 زیرعامل، اجرای گردش‌های کاری موازی با تا 1500 فراخوانی ابزار
کدنویسی با بینایی: برتری در توسعه فرانت‌اند، تولید کد از ویدیو، و اشکال‌زدایی بصری
اجرای 4.5 برابر سریع‌تر: ازدحام عامل زمان اجرا را در مقایسه با تنظیم تک‌عاملی کاهش می‌دهد
پشتیبانی چند نقطه پایانی: در هر دو نقطه پایانی v1/chat/completions و v1/responses موجود است
فراخوانی ابزار: تا ۱۲۸ تابع در هر درخواست
حالت JSON: پشتیبانی از خروجی ساختاریافته
کش کردن پرامپت: کاهش هزینه برای محتوای تکراری

قیمت‌گذاری

نوع	هزینه
توکن‌های ورودی	۰.۶۶ دلار به ازای ۱ میلیون توکن
توکن‌های ورودی کش‌شده	۰.۱۱ دلار به ازای ۱ میلیون توکن
توکن‌های خروجی	۳.۳۰ دلار به ازای ۱ میلیون توکن

موارد استفاده

توسعه فرانت‌اند پیچیده با چیدمان‌های تعاملی و انیمیشن‌های غنی
تولید کد از ویدیو و اشکال‌زدایی بصری
گردش‌های کاری چند عاملی با اجرای موازی
وظایف استدلال تصویر و ویدیو
وظایف کدنویسی پیشرفته با درک بصری
برنامه‌های عامل خودمختار

نمونه

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "kimi-k2.5",
    "messages": [
      {
        "role": "user",
        "content": "یک صفحه فرود واکنش‌گرا با انیمیشن‌های فعال‌شده با اسکرول ایجاد کنید."
      }
    ],
    "max_tokens": 8000
  }'

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="kimi-k2.5",
    messages=[
        {
            "role": "user",
            "content": "یک صفحه فرود واکنش‌گرا با انیمیشن‌های فعال‌شده با اسکرول ایجاد کنید.",
        },
    ],
    max_tokens=8000,
)

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: "kimi-k2.5",
  messages: [
    {
      role: "user",
      content: "یک صفحه فرود واکنش‌گرا با انیمیشن‌های فعال‌شده با اسکرول ایجاد کنید.",
    },
  ],
  max_tokens: 8000,
});

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `kimi-k2.5` 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="یک صفحه فرود واکنش‌گرا با انیمیشن‌های فعال‌شده با اسکرول ایجاد کنید.",
)

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: "یک صفحه فرود واکنش‌گرا با انیمیشن‌های فعال‌شده با اسکرول ایجاد کنید.",
});

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": "یک صفحه فرود واکنش‌گرا با انیمیشن‌های فعال‌شده با اسکرول ایجاد کنید.",
    "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.

kimi-k2-thinking

مدل استدلال عاملی پرچم‌دار نسل قبل Moonshot AI با قابلیت‌های استدلال عمیق

kimi-k2-thinking یک مدل پرچم‌دار نسل قبل Moonshot AI برای استدلال عاملی چندمنظوره، استدلال عمیق و استفاده از ابزار چندمرحله‌ای است. این مدل همچنان برای مسائل بسیار پیچیده‌ای که از زنجیره‌های استدلال گسترده و فراخوانی‌های متوالی ابزار بهره می‌برند کاربردی است.

ویژگی‌ها

استدلال عمیق: قابلیت‌های استدلال گسترده با فیلد reasoning_content
استفاده از ابزار چند مرحله‌ای: طراحی شده برای انجام استدلال عمیق در فراخوانی‌های متعدد ابزار
عملکرد عاملی: برتری در برنامه‌ریزی و اجرای وظایف چند مرحله‌ای پیچیده
حل مسئله پیشرفته: قادر به مقابله با سخت‌ترین مسائل از طریق استدلال گام به گام
پنجره زمینه: پشتیبانی زمینه بزرگ برای تحلیل جامع مسائل
دمای توصیه شده: 1.0 برای عملکرد بهینه
max_tokens توصیه شده: ≥ 16,000 برای اطمینان از بازگشت کامل reasoning_content
استریمینگ توصیه شده: فعال‌سازی stream: true برای تجربه کاربری بهتر و جلوگیری از مشکلات timeout
فراخوانی ابزار: تا ۱۲۸ تابع در هر درخواست
حالت JSON: پشتیبانی از خروجی ساختاریافته
کش کردن پرامپت: کاهش هزینه برای محتوای تکراری
بدون آموزش بر روی داده‌های مشتری: تمرکز بر حریم خصوصی

قیمت‌گذاری

نوع	هزینه
توکن‌های ورودی	۰.۶۶ دلار به ازای ۱ میلیون توکن
توکن‌های ورودی کش‌شده	۰.۱۶۵ دلار به ازای ۱ میلیون توکن
توکن‌های خروجی	۲.۷۵ دلار به ازای ۱ میلیون توکن
زمینه جستجو	۰.۰۰۵ دلار به ازای هر پرس‌وجو

موارد استفاده

وظایف استدلال و حل مسئله پیچیده
گردش‌های کاری عاملی چند مرحله‌ای با استفاده از ابزار
برنامه‌ریزی استراتژیک و تصمیم‌گیری
تحقیق و تحلیل پیشرفته
تولید کد با استدلال عمیق
مکالمات پیچیده چند نوبتی که نیاز به حفظ زمینه دارند

نکات مهم پیاده‌سازی

برای نتایج بهینه با kimi-k2-thinking:

شامل کردن زمینه استدلال کامل: همیشه کل فیلد reasoning_content از پاسخ‌های قبلی را در ورودی خود قرار دهید. مدل تصمیم می‌گیرد که کدام بخش‌ها برای استدلال بیشتر ضروری هستند.
تنظیم max_tokens کافی: از max_tokens ≥ 16,000 استفاده کنید تا اطمینان حاصل شود که reasoning_content و محتوای نهایی کامل بدون کوتاه شدن برگردانده می‌شوند.
استفاده از دمای توصیه شده: temperature = 1.0 را تنظیم کنید تا بهترین عملکرد از مدل دریافت کنید.
فعال‌سازی استریمینگ: از stream = true برای تجربه کاربری بهتر و جلوگیری از مشکلات network-timeout استفاده کنید، زیرا پاسخ‌های استدلال می‌توانند بزرگتر از تکمیل‌های معمولی باشند.
دسترسی به reasoning_content: در SDK OpenAI، از hasattr(obj, "reasoning_content") برای بررسی وجود فیلد استفاده کنید و از getattr(obj, "reasoning_content") برای دریافت مقدار آن استفاده کنید. فیلد reasoning_content در همان سطح فیلد content ظاهر می‌شود.

نمونه

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "kimi-k2-thinking",
    "messages": [
      {
        "role": "system",
        "content": "شما Kimi هستید، یک دستیار هوش مصنوعی ارائه شده توسط Moonshot AI با قابلیت‌های استدلال پیشرفته."
      },
      {
        "role": "user",
        "content": "یک استراتژی جامع بازاریابی دیجیتال برای یک استارتاپ فناوری طراحی کنید."
      }
    ],
    "max_tokens": 16000,
    "temperature": 1.0,
    "stream": true
  }'

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="kimi-k2-thinking",
    messages=[
        {
            "role": "system",
            "content": "شما Kimi هستید، یک دستیار هوش مصنوعی ارائه شده توسط Moonshot AI با قابلیت‌های استدلال پیشرفته.",
        },
        {
            "role": "user",
            "content": "یک استراتژی جامع بازاریابی دیجیتال برای یک استارتاپ فناوری طراحی کنید.",
        },
    ],
    max_tokens=16000,
    temperature=1.0,
)

# دسترسی به محتوای استدلال در صورت وجود
message = response.choices[0].message
if hasattr(message, "reasoning_content"):
    reasoning = getattr(message, "reasoning_content")
    print("استدلال:", reasoning)

print("پاسخ:", 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: "kimi-k2-thinking",
  messages: [
    {
      role: "system",
      content: "شما Kimi هستید، یک دستیار هوش مصنوعی ارائه شده توسط Moonshot AI با قابلیت‌های استدلال پیشرفته.",
    },
    {
      role: "user",
      content: "یک استراتژی جامع بازاریابی دیجیتال برای یک استارتاپ فناوری طراحی کنید.",
    },
  ],
  max_tokens: 16000,
  temperature: 1.0,
});

// دسترسی به محتوای استدلال در صورت وجود
const message = response.choices[0].message;
if ("reasoning_content" in message) {
  console.log("استدلال:", message.reasoning_content);
}

console.log("پاسخ:", message.content);

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `kimi-k2-thinking` 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="یک استراتژی جامع بازاریابی دیجیتال برای یک استارتاپ فناوری طراحی کنید.",
)

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: "یک استراتژی جامع بازاریابی دیجیتال برای یک استارتاپ فناوری طراحی کنید.",
});

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": "یک استراتژی جامع بازاریابی دیجیتال برای یک استارتاپ فناوری طراحی کنید.",
    "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.

نمونه فراخوانی ابزار چند مرحله‌ای

python

from openai import OpenAI
import json

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

# تعریف ابزارها برای استفاده توسط مدل
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "دریافت اطلاعات آب و هوای فعلی",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {"type": "string", "description": "نام شهر"}
                },
                "required": ["location"],
            },
        },
    },
    {
        "type": "function",
        "function": {
            "name": "web_search",
            "description": "جستجوی اطلاعات در وب",
            "parameters": {
                "type": "object",
                "properties": {
                    "query": {"type": "string", "description": "پرس‌وجوی جستجو"}
                },
                "required": ["query"],
            },
        },
    },
]

messages = [
    {
        "role": "system",
        "content": "شما Kimi هستید، یک دستیار هوش مصنوعی با دسترسی به ابزارها برای جمع‌آوری اطلاعات.",
    },
    {
        "role": "user",
        "content": "آب و هوای توکیو چگونه است و اخبار اخیر درباره پیشرفت‌های هوش مصنوعی پیدا کنید؟",
    },
]

# مکالمه چند نوبتی با فراخوانی ابزار
max_iterations = 10
for iteration in range(max_iterations):
    response = client.chat.completions.create(
        model="kimi-k2-thinking",
        messages=messages,
        tools=tools,
        max_tokens=16000,
        temperature=1.0,
    )

    message = response.choices[0].message

    # نمایش استدلال در صورت وجود
    if hasattr(message, "reasoning_content"):
        reasoning = getattr(message, "reasoning_content")
        print(f"\\n=== استدلال (تکرار {iteration + 1}) ===")
        print(reasoning[:200] + "..." if len(reasoning) > 200 else reasoning)

    # اضافه کردن پیام دستیار به تاریخچه (حفظ reasoning_content)
    messages.append(message)

    # اگر فراخوانی ابزار نباشد، مکالمه کامل است
    if not message.tool_calls:
        print("\\n=== پاسخ نهایی ===")
        print(message.content)
        break

    # مدیریت فراخوانی ابزارها
    print(f"\\nمدل {len(message.tool_calls)} ابزار را فراخوانی کرد")
    for tool_call in message.tool_calls:
        func_name = tool_call.function.name
        args = json.loads(tool_call.function.arguments)

        print(f"  - {func_name}({args})")

        # شبیه‌سازی اجرای ابزار (با فراخوانی‌های واقعی ابزار جایگزین کنید)
        if func_name == "get_weather":
            result = f"آب و هوا در {args['location']}: آفتابی، ۲۲ درجه سانتیگراد"
        elif func_name == "web_search":
            result = f"نتایج جستجو برای '{args['query']}': [اخبار اخیر هوش مصنوعی...]"
        else:
            result = "ابزار یافت نشد"

        # اضافه کردن نتیجه ابزار به پیام‌ها
        messages.append(
            {
                "role": "tool",
                "tool_call_id": tool_call.id,
                "name": func_name,
                "content": result,
            }
        )

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `kimi-k2-thinking` 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="آب و هوای توکیو چگونه است و اخبار اخیر درباره پیشرفت‌های هوش مصنوعی پیدا کنید؟",
    tools=[{"type": "web_search"}],
)

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.

kimi-k2-0711-preview

پیش‌نمایش مدل K2 نسل بعدی با عملکرد بهبود یافته

انتشار پیش‌نمایش مدل نسل بعدی K2 از Moonshot که عملکرد و کارایی بهبود یافته نسبت به نسخه‌های قبلی را ارائه می‌دهد.

ویژگی‌ها

پنجره زمینه: 128K توکن
دمای توصیه شده: 0.6
فراخوانی ابزار: تا ۱۲۸ تابع در هر درخواست
حالت JSON: پشتیبانی از خروجی ساختاریافته
کش کردن پرامپت: کاهش هزینه برای محتوای تکراری
عدم آموزش بر روی داده‌های مشتری: متمرکز بر حریم خصوصی

قیمت‌گذاری

نوع	هزینه
توکن‌های ورودی	$0.60 به ازای 1M توکن
توکن‌های ورودی کش شده	$0.15 به ازای 1M توکن
توکن‌های خروجی	$2.50 به ازای 1M توکن

موارد استفاده

وظایف استدلال پیچیده
مکالمات چند مرحله‌ای
تحلیل و خلاصه‌سازی اسناد
تولید محتوای فنی

مثال

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "kimi-k2-0711-preview",
    "messages": [
      {
        "role": "system",
        "content": "شما Kimi هستید، یک دستیار هوش مصنوعی ارائه شده توسط Moonshot AI."
      },
      {
        "role": "user",
        "content": "مفهوم کش کردن پرامپت را توضیح دهید."
      }
    ],
    "temperature": 0.6
  }'

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="kimi-k2-0711-preview",
    messages=[
        {
            "role": "system",
            "content": "شما Kimi هستید، یک دستیار هوش مصنوعی ارائه شده توسط Moonshot AI.",
        },
        {
            "role": "user",
            "content": "مفهوم کش کردن پرامپت را توضیح دهید.",
        },
    ],
    temperature=0.6,
)

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: "kimi-k2-0711-preview",
  messages: [
    {
      role: "system",
      content: "شما Kimi هستید، یک دستیار هوش مصنوعی ارائه شده توسط Moonshot AI.",
    },
    {
      role: "user",
      content: "مفهوم کش کردن پرامپت را توضیح دهید.",
    }
  ],
  temperature: 0.6,
});

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `kimi-k2-0711-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.

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="مفهوم کش کردن پرامپت را توضیح دهید.",
)

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: "مفهوم کش کردن پرامپت را توضیح دهید.",
});

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": "مفهوم کش کردن پرامپت را توضیح دهید.",
    "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.

kimi-latest

نام مستعار پایدار برای Kimi K3

kimi-latest اکنون به kimi-k3 اشاره می‌کند. ادغام‌های موجود می‌توانند بدون تغییر نام مدل از همین alias استفاده کنند و درخواست‌ها با قابلیت‌ها و قیمت Kimi K3 اجرا می‌شوند. برای استقرارهای قابل بازتولید، شناسه صریح kimi-k3 را به‌کار ببرید.

ویژگی‌ها

پنجره زمینه: ۱ میلیون توکن
استدلال همیشه‌فعال: پشتیبانی از reasoning_effort: "max"
نسخه‌سازی خودکار: در حال حاضر به kimi-k3 اشاره می‌کند
بینایی بومی: پشتیبانی از درک چندوجهی تصویر
فراخوانی ابزار: تا ۱۲۸ تابع در هر درخواست
حالت JSON: پشتیبانی از خروجی ساختاریافته
کش کردن پرامپت: کاهش هزینه برای محتوای تکراری

قیمت‌گذاری

نوع	هزینه
توکن‌های ورودی	$3.00 به ازای 1M توکن
توکن‌های ورودی کش شده	$0.30 به ازای 1M توکن
توکن‌های خروجی	$15.00 به ازای 1M توکن

موارد استفاده

مکالمات عمومی
تولید و ویرایش محتوا
کمک و اشکال‌زدایی کد
پاسخ به سؤالات

مثال

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "kimi-latest",
    "messages": [
      {
        "role": "system",
        "content": "شما Kimi هستید، یک دستیار هوش مصنوعی ارائه شده توسط Moonshot AI."
      },
      {
        "role": "user",
        "content": "یک تابع Python برای محاسبه اعداد فیبوناچی بنویسید."
      }
    ],
    "reasoning_effort": "max"
  }'

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="kimi-latest",
    messages=[
        {
            "role": "system",
            "content": "شما Kimi هستید، یک دستیار هوش مصنوعی ارائه شده توسط Moonshot AI.",
        },
        {
            "role": "user",
            "content": "یک تابع Python برای محاسبه اعداد فیبوناچی بنویسید.",
        },
    ],
    reasoning_effort="max",
)

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: "kimi-latest",
  messages: [
    {
      role: "system",
      content: "شما Kimi هستید، یک دستیار هوش مصنوعی ارائه شده توسط Moonshot AI.",
    },
    {
      role: "user",
      content: "یک تابع Python برای محاسبه اعداد فیبوناچی بنویسید.",
    }
  ],
  reasoning_effort: "max",
});

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

نسخه معادل Responses API (پشتیبانی `kimi-latest` / Kimi K3 جزئی است)

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="kimi-latest",
    instructions="You are a helpful assistant.",
    input="یک تابع Python برای محاسبه اعداد فیبوناچی بنویسید.",
)

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: "kimi-latest",
  instructions: "You are a helpful assistant.",
  input: "یک تابع Python برای محاسبه اعداد فیبوناچی بنویسید.",
});

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": "یک تابع Python برای محاسبه اعداد فیبوناچی بنویسید.",
    "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.

kimi-thinking-preview

مدل استدلال پیشرفته با قابلیت‌های زنجیره تفکر

یک مدل استدلال تخصصی که استدلال زنجیره‌ای تفکر (CoT) را برای حل مسائل پیچیده چند مرحله‌ای و تحلیل اعمال می‌کند.

ویژگی‌ها

مدل استدلال: قابلیت‌های زنجیره تفکر (CoT)
پنجره زمینه: 128K توکن
دمای توصیه شده: 1.0
فراخوانی ابزار: تا ۱۲۸ تابع در هر درخواست
حالت JSON: پشتیبانی از خروجی ساختاریافته
فرآیند تفکر قابل مشاهده: نمایش استدلال گام به گام

قیمت‌گذاری

نوع	هزینه
توکن‌های ورودی	$30.00 به ازای 1M توکن
توکن‌های ورودی کش شده	$0.15 به ازای 1M توکن
توکن‌های خروجی	$30.00 به ازای 1M توکن

موارد استفاده

حل مسائل پیچیده
وظایف استدلال چند مرحله‌ای
برنامه‌ریزی و تحلیل استراتژیک
مسائل ریاضی و منطقی
طراحی معماری سیستم

مثال

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "kimi-thinking-preview",
    "messages": [
      {
        "role": "system",
        "content": "شما Kimi هستید، یک دستیار هوش مصنوعی ارائه شده توسط Moonshot AI."
      },
      {
        "role": "user",
        "content": "یک طرح پایگاه داده مقیاس‌پذیر برای یک پلتفرم رسانه اجتماعی طراحی کنید."
      }
    ],
    "temperature": 1.0,
    "max_tokens": 4096
  }'

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="kimi-thinking-preview",
    messages=[
        {
            "role": "system",
            "content": "شما Kimi هستید، یک دستیار هوش مصنوعی ارائه شده توسط Moonshot AI.",
        },
        {
            "role": "user",
            "content": "یک طرح پایگاه داده مقیاس‌پذیر برای یک پلتفرم رسانه اجتماعی طراحی کنید.",
        },
    ],
    temperature=1.0,
    max_tokens=4096,
)

# مدل فرآیند استدلال زنجیره‌ای تفکر خود را نشان خواهد داد
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: "kimi-thinking-preview",
  messages: [
    {
      role: "system",
      content: "شما Kimi هستید، یک دستیار هوش مصنوعی ارائه شده توسط Moonshot AI.",
    },
    {
      role: "user",
      content: "یک طرح پایگاه داده مقیاس‌پذیر برای یک پلتفرم رسانه اجتماعی طراحی کنید.",
    }
  ],
  temperature: 1.0,
  max_tokens: 4096,
});

// مدل فرآیند استدلال زنجیره‌ای تفکر خود را نشان خواهد داد
console.log(response.choices[0].message.content);

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `kimi-thinking-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.

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="یک طرح پایگاه داده مقیاس‌پذیر برای یک پلتفرم رسانه اجتماعی طراحی کنید.",
)

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: "یک طرح پایگاه داده مقیاس‌پذیر برای یک پلتفرم رسانه اجتماعی طراحی کنید.",
});

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": "یک طرح پایگاه داده مقیاس‌پذیر برای یک پلتفرم رسانه اجتماعی طراحی کنید.",
    "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.

moonshot-v1-8k

مدل مقرون به صرفه برای مکالمات کوتاه‌تر

یک مدل مقرون به صرفه با پنجره زمینه 8K، ایده‌آل برای مکالمات کوتاه‌تر و وظایف سریع.

ویژگی‌ها

پنجره زمینه: 8K توکن
دمای توصیه شده: 0.6
فراخوانی ابزار: تا ۱۲۸ تابع در هر درخواست
حالت JSON: پشتیبانی از خروجی ساختاریافته
کش کردن پرامپت: کاهش هزینه برای محتوای تکراری
مقرون به صرفه: قیمت‌گذاری پایین‌تر برای برنامه‌های هوشمند هزینه

قیمت‌گذاری

نوع	هزینه
توکن‌های ورودی	$0.20 به ازای 1M توکن
توکن‌های ورودی کش شده	$0.15 به ازای 1M توکن
توکن‌های خروجی	$2.00 به ازای 1M توکن

موارد استفاده

سؤال و جواب سریع
تولید محتوای کوتاه
قطعه‌های کد ساده
خلاصه‌های مختصر

moonshot-v1-8k-vision-preview

مدل با قابلیت بینایی برای وظایف چندوجهی

یک مدل با زمینه 8K و قابلیت‌های بینایی که از درک تصویر از طریق تصاویر کدگذاری شده Base64 و URL‌ها پشتیبانی می‌کند.

ویژگی‌ها

پنجره زمینه: 8K توکن
دمای توصیه شده: 0.6
قابلیت‌های بینایی: پشتیبانی از تصاویر JPG، PNG، BMP
ورودی تصویر: پشتیبانی از کدگذاری Base64 و URL
فراخوانی ابزار: تا ۱۲۸ تابع در هر درخواست
حالت JSON: پشتیبانی از خروجی ساختاریافته

قیمت‌گذاری

نوع	هزینه
توکن‌های ورودی	$0.20 به ازای 1M توکن
توکن‌های ورودی کش شده	$0.15 به ازای 1M توکن
توکن‌های خروجی	$2.00 به ازای 1M توکن

موارد استفاده

توضیح و تحلیل تصویر
پاسخ به سؤالات بصری
درک اسناد با تصاویر
تحلیل تصاویر محصول

moonshot-v1-32k

مدل متعادل برای مکالمات با طول متوسط

یک مدل متعادل با پنجره زمینه 32K، مناسب برای مکالمات با طول متوسط و پردازش اسناد.

ویژگی‌ها

پنجره زمینه: 32K توکن
دمای توصیه شده: 0.6
فراخوانی ابزار: ت ا ۱۲۸ تابع در هر درخواست
حالت JSON: پشتیبانی از خروجی ساختاریافته
کش کردن پرامپت: کاهش هزینه برای محتوای تکراری
عملکرد متعادل: ترکیب خوبی از ظرفیت و هزینه

قیمت‌گذاری

نوع	هزینه
توکن‌های ورودی	$1.00 به ازای 1M توکن
توکن‌های ورودی کش شده	$0.15 به ازای 1M توکن
توکن‌های خروجی	$3.00 به ازای 1M توکن

موارد استفاده

تحلیل اسناد با طول متوسط
مکالمات چند مرحله‌ای
بررسی و توضیح کد
خلاصه‌سازی محتوا

moonshot-v1-32k-vision-preview

مدل با قابلیت بینایی و زمینه گسترده

یک مدل با زمینه 32K و قابلیت‌های بینایی، مناسب برای وظایف چندوجهی که به زمینه بیشتری نیاز دارند.

ویژگی‌ها

پنجره زمینه: 32K توکن
دمای توصیه شده: 0.6
قابلیت‌های بینایی: پشتیبانی از تصاویر JPG، PNG، BMP
ورودی تصویر: پشتیبانی از کدگذاری Base64 و URL
فراخوانی ابزار: تا ۱۲۸ تابع در هر درخواست
حالت JSON: پشتیبانی از خروجی ساختاریافته

قیمت‌گذاری

نوع	هزینه
توکن‌های ورودی	$1.00 به ازای 1M توکن
توکن‌های ورودی کش شده	$0.15 به ازای 1M توکن
توکن‌های خروجی	$3.00 به ازای 1M توکن

موارد استفاده

تحلیل بصری پیچیده با زمینه
درک اسناد چند صفحه‌ای
تولید محتوای بصری
کمک تحقیقاتی مبتنی بر تصویر

moonshot-v1-128k

مدل با زمینه گسترده برای پردازش اسناد

یک مدل با پنجره زمینه گسترده 128K، ایده‌آل برای پردازش اسناد طولانی و مکالمات گسترده.

ویژگی‌ها

پنجره زمینه: 128K توکن
دمای توصیه شده: 0.6
فراخوانی ابزار: تا ۱۲۸ تابع در هر درخواست
حالت JSON: پشتیبانی از خروجی ساختاریافته
کش کردن پرامپت: صرفه‌جویی قابل توجه در اسناد بزرگ
ظرفیت گسترده: مدیریت محتوا به طول کتاب

قیمت‌گذاری

نوع	هزینه
توکن‌های ورودی	$2.00 به ازای 1M توکن
توکن‌های ورودی کش شده	$0.15 به ازای 1M توکن
توکن‌های خروجی	$5.00 به ازای 1M توکن

موارد استفاده

تحلیل و خلاصه‌سازی اسناد طولانی
مقالات تحقیقاتی گسترده
درک پایگاه کد
پردازش محتوای به طول کتاب
تاریخچه مکالمه گسترده

moonshot-v1-128k-vision-preview

مدل با قابلیت بینایی و حداکثر پنجره زمینه

مدل بینایی پرچمدار با پنجره زمینه 128K که از وظایف چندوجهی پیچیده با زمینه گسترده پشتیبانی می‌کند.

ویژگی‌ها

پنجره زمینه: 128K توکن
دمای توصیه شده: 0.6
قابلیت‌های بینایی: پشتیبانی از تصاویر JPG، PNG، BMP
ورودی تصویر: پشتیبانی از کدگذاری Base64 و URL
فراخوانی ابزار: تا ۱۲۸ تابع در هر درخواست
حالت JSON: پشتیبانی از خروجی ساختاریافته
حداکثر ظرفیت: بزرگترین زمینه برای وظایف بینایی

قیمت‌گذاری

نوع	هزینه
توکن‌های ورودی	$2.00 به ازای 1M توکن
توکن‌های ورودی کش شده	$0.15 به ازای 1M توکن
توکن‌های خروجی	$5.00 به ازای 1M توکن

موارد استفاده

تحلیل اسناد بصری پیچیده
درک چند تصویری
تفسیر نمودارهای فنی
تحقیق بصری با زمینه گسترده

moonshot-v1-auto

انتخاب خودکار مدل بر اساس ورودی

یک مدل مسیریابی هوشمند که به طور خودکار بهترین مدل را بر اساس ورودی شما انتخاب می‌کند و عملکرد و هزینه را متعادل می‌سازد.

ویژگی‌ها

پنجره زمینه: تا 128K توکن (بسته به مدل انتخاب شده)
دمای توصیه شده: 0.6
مسیریابی هوشمند: به طور خودکار بهترین مدل را انتخاب می‌کند
فراخوانی ابزار: تا ۱۲۸ تابع در هر درخواست
حالت JSON: پشتیبانی از خروجی ساختاریافته
کش کردن پرامپت: کاهش هزینه برای محتوای تکراری
بهینه‌سازی هزینه: عملکرد و کارایی را متعادل می‌کند

قیمت‌گذاری

نوع	هزینه
توکن‌های ورودی	$2.00 به ازای 1M توکن
توکن‌های ورودی کش شده	$0.15 به ازای 1M توکن
توکن‌های خروجی	$5.00 به ازای 1M توکن

توجه: قیمت‌گذاری حداکثر ظرفیت مدل را نشان می‌دهد. هزینه‌های واقعی ممکن است کمتر باشد اگر یک مدل کوچکتر به طور خودکار انتخاب شود.

موارد استفاده

مکالمات با طول متغیر
انواع مختلف وظایف
برنامه‌های نیازمند بهینه‌سازی هزینه
کمک هوش مصنوعی همه‌منظوره

ویژگی‌های پیشرفته

فراخوانی تابع (استفاده از ابزار)

همه مدل‌های Moonshot.ai از فراخوانی تابع با حداکثر ۱۲۸ ابزار در هر درخواست پشتیبانی می‌کنند.

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "kimi-latest",
    "messages": [
      {
        "role": "system",
        "content": "شما Kimi هستید، یک دستیار هوش مصنوعی ارائه شده توسط Moonshot AI."
      },
      {
        "role": "user",
        "content": "آب و هوای پاریس چگونه است؟"
      }
    ],
    "tools": [
      {
        "type": "function",
        "function": {
          "name": "get_weather",
          "description": "دریافت آب و هوای فعلی برای یک مکان",
          "parameters": {
            "type": "object",
            "properties": {
              "location": {
                "type": "string",
                "description": "نام شهر"
              },
              "unit": {
                "type": "string",
                "enum": ["celsius", "fahrenheit"]
              }
            },
            "required": ["location"]
          }
        }
      }
    ],
    "temperature": 0.6
  }'

python

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 فعلی برای یک مکان",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {"type": "string", "description": "نام شهر"},
                    "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]},
                },
                "required": ["location"],
            },
        },
    }
]

response = client.chat.completions.create(
    model="kimi-latest",
    messages=[
        {
            "role": "system",
            "content": "شما Kimi هستید، یک دستیار هوش مصنوعی ارائه شده توسط Moonshot AI.",
        },
        {"role": "user", "content": "آب و هوای پاریس چگونه است؟"},
    ],
    tools=tools,
    temperature=0.6,
)

print(response.choices[0].message)

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 فعلی برای یک مکان",
      parameters: {
        type: "object",
        properties: {
          location: { type: "string", description: "نام شهر" },
          unit: { type: "string", enum: ["celsius", "fahrenheit"] },
        },
        required: ["location"],
      },
    },
  }
];

const response = await client.chat.completions.create({
  model: "kimi-latest",
  messages: [
    { role: "system", content: "شما Kimi هستید، یک دستیار هوش مصنوعی ارائه شده توسط Moonshot AI." },
    { role: "user", content: "آب و هوای پاریس چگونه است؟" },
  ],
  tools: tools,
  temperature: 0.6,
});

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `kimi-latest` 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-5.5",
    input="آب و هوای پاریس چگونه 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-5.5",
  input: "آب و هوای پاریس چگونه 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-5.5",
    "input": "آب و هوای پاریس چگونه 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.

حالت JSON

خروجی JSON ساختاریافته را با تنظیم پارامتر response_format فعال کنید:

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "kimi-latest",
    "messages": [
      {
        "role": "system",
        "content": "شما Kimi هستید. اطلاعات کاربر را به صورت JSON استخراج کنید."
      },
      {
        "role": "user",
        "content": "نام من جان است، ۳۰ ساله هستم و در نیویورک زندگی می‌کنم."
      }
    ],
    "response_format": {"type": "json_object"},
    "temperature": 0.6
  }'

python

response = client.chat.completions.create(
    model="kimi-latest",
    messages=[
        {
            "role": "system",
            "content": "شما Kimi هستید. اطلاعات کاربر را به صورت JSON استخراج کنید.",
        },
        {
            "role": "user",
            "content": "نام من جان است، ۳۰ ساله هستم و در نیویورک زندگی می‌کنم.",
        },
    ],
    response_format={"type": "json_object"},
    temperature=0.6,
)

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

javascript

const response = await client.chat.completions.create({
  model: "kimi-latest",
  messages: [
    {
      role: "system",
      content: "شما Kimi هستید. اطلاعات کاربر را به صورت JSON استخراج کنید.",
    },
    {
      role: "user",
      content: "نام من جان است، ۳۰ ساله هستم و در نیویورک زندگی می‌کنم.",
    },
  ],
  response_format: { type: "json_object" },
  temperature: 0.6,
});

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `kimi-latest` 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="نام من جان است، ۳۰ ساله هستم و در نیویورک زندگی می‌کنم.",
)

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: "نام من جان است، ۳۰ ساله هستم و در نیویورک زندگی می‌کنم.",
});

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": "نام من جان است، ۳۰ ساله هستم و در نیویورک زندگی می‌کنم.",
    "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.

پاسخ‌های جریانی

جریان را برای تولید توکن بلادرنگ فعال کنید:

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "kimi-latest",
    "messages": [
      {
        "role": "system",
        "content": "شما Kimi هستید، یک دستیار هوش مصنوعی ارائه شده توسط Moonshot AI."
      },
      {
        "role": "user",
        "content": "یک داستان کوتاه درباره هوش مصنوعی بنویسید."
      }
    ],
    "stream": true,
    "temperature": 0.6
  }'

python

from openai import OpenAI

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

stream = client.chat.completions.create(
    model="kimi-latest",
    messages=[
        {
            "role": "system",
            "content": "شما Kimi هستید، یک دستیار هوش مصنوعی ارائه شده توسط Moonshot AI.",
        },
        {"role": "user", "content": "یک داستان کوتاه درباره هوش مصنوعی بنویسید."},
    ],
    stream=True,
    temperature=0.6,
)

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

javascript

import { OpenAI } from "openai";

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

const stream = await client.chat.completions.create({
  model: "kimi-latest",
  messages: [
    { role: "system", content: "شما Kimi هستید، یک دستیار هوش مصنوعی ارائه شده توسط Moonshot AI." },
    { role: "user", content: "یک داستان کوتاه درباره هوش مصنوعی بنویسید." },
  ],
  stream: true,
  temperature: 0.6,
});

for await (const chunk of stream) {
  process.stdout.write(chunk.choices[0]?.delta?.content || "");
}

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `kimi-latest` 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="یک داستان کوتاه درباره هوش مصنوعی بنویسید.",
)

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: "یک داستان کوتاه درباره هوش مصنوعی بنویسید.",
});

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": "یک داستان کوتاه درباره هوش مصنوعی بنویسید.",
    "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.

بهترین شیوه‌ها

انتخاب مدل مناسب

وظایف سریع: از moonshot-v1-8k برای مکالمات کوتاه مقرون به صرفه استفاده کنید
استفاده عمومی: از kimi-latest برای عملکرد متعادل و به‌روزرسانی‌های خودکار استفاده کنید
وظایف بینایی: از مدل‌های vision-preview برای درک تصویر استفاده کنید
استدلال پیچیده: از kimi-thinking-preview برای مسائل چند مرحله‌ای استفاده کنید
اسناد طولانی: از مدل‌های 128K برای زمینه گسترده استفاده کنید
نیازهای انعطاف‌پذیر: از moonshot-v1-auto برای بهینه‌سازی خودکار استفاده کنید

تنظیمات دما

توصیه شده برای اکثر مدل‌ها: 0.6
توصیه شده برای مدل‌های استدلال: 1.0
مقادیر پایین‌تر (0.2-0.4): خروجی‌های قطعی‌تر و متمرکزتر
مقادیر بالاتر (0.8-1.0): خروجی‌های خلاقانه‌تر و متنوع‌تر

بهینه‌سازی هزینه

از کش کردن پرامپت استفاده کنید: هزینه‌ها را به طور قابل توجهی در محتوای تکراری کاهش می‌دهد
پنجره زمینه مناسب را انتخاب کنید: اگر 8K کافی است از 128K استفاده نکنید
moonshot-v1-auto را در نظر بگیرید: به طور خودکار هزینه و عملکرد را متعادل می‌کند
از قیمت‌گذاری ورودی کش شده بهره ببرید: $0.15 به ازای 1M توکن در مقابل هزینه‌های ورودی استاندارد

Moonshot.ai ​

مدل‌های موجود ​

پشتیبانی نقطه پایانی API ​

ویژگی‌های کلیدی ​

kimi-k3 ​

ویژگی‌ها ​

قیمت‌گذاری ​

پشتیبانی نقطه پایانی ​

مثال ​

kimi-k2.7-code ​

ویژگی‌ها ​

قیمت‌گذاری ​

پشتیبانی نقطه پایانی ​

موارد استفاده ​

مثال ​

kimi-k2.7-code-highspeed ​

ویژگی‌ها ​

قیمت‌گذاری ​

پشتیبانی نقطه پایانی ​

موارد استفاده ​

مثال ​

kimi-k2.6 ​

ویژگی‌ها ​

قیمت‌گذاری ​

موارد استفاده ​

مثال ​

kimi-k2.5 ​

ویژگی‌ها ​

قیمت‌گذاری ​

موارد استفاده ​

نمونه ​

kimi-k2-thinking ​

ویژگی‌ها ​

قیمت‌گذاری ​

موارد استفاده ​

نکات مهم پیاده‌سازی ​

نمونه ​

نمونه فراخوانی ابزار چند مرحله‌ای ​

kimi-k2-0711-preview ​

ویژگی‌ها ​

قیمت‌گذاری ​

موارد استفاده ​

مثال ​

kimi-latest ​

ویژگی‌ها ​

قیمت‌گذاری ​

موارد استفاده ​

مثال ​

kimi-thinking-preview ​

ویژگی‌ها ​

قیمت‌گذاری ​

موارد استفاده ​

مثال ​

moonshot-v1-8k ​

ویژگی‌ها ​

قیمت‌گذاری ​

موارد استفاده ​

moonshot-v1-8k-vision-preview ​

ویژگی‌ها ​

قیمت‌گذاری ​

موارد استفاده ​

moonshot-v1-32k ​

ویژگی‌ها ​

قیمت‌گذاری ​

موارد استفاده ​

moonshot-v1-32k-vision-preview ​

ویژگی‌ها ​

قیمت‌گذاری ​

موارد استفاده ​

moonshot-v1-128k ​

ویژگی‌ها ​

قیمت‌گذاری ​

موارد استفاده ​

moonshot-v1-128k-vision-preview ​

ویژگی‌ها ​

قیمت‌گذاری ​

موارد استفاده ​

moonshot-v1-auto ​

ویژگی‌ها ​

قیمت‌گذاری ​

Moonshot.ai

مدل‌های موجود

پشتیبانی نقطه پایانی API

ویژگی‌های کلیدی

kimi-k3

ویژگی‌ها

قیمت‌گذاری

پشتیبانی نقطه پایانی

مثال

kimi-k2.7-code

ویژگی‌ها

قیمت‌گذاری

پشتیبانی نقطه پایانی

موارد استفاده

مثال

kimi-k2.7-code-highspeed

ویژگی‌ها

قیمت‌گذاری

پشتیبانی نقطه پایانی

موارد استفاده

مثال

kimi-k2.6

ویژگی‌ها

قیمت‌گذاری

موارد استفاده

مثال

kimi-k2.5

ویژگی‌ها

قیمت‌گذاری

موارد استفاده

نمونه

kimi-k2-thinking

ویژگی‌ها

قیمت‌گذاری

موارد استفاده

نکات مهم پیاده‌سازی

نمونه

نمونه فراخوانی ابزار چند مرحله‌ای

kimi-k2-0711-preview

ویژگی‌ها

قیمت‌گذاری

موارد استفاده

مثال

kimi-latest

ویژگی‌ها

قیمت‌گذاری

موارد استفاده

مثال

kimi-thinking-preview

ویژگی‌ها

قیمت‌گذاری

موارد استفاده

مثال

moonshot-v1-8k

ویژگی‌ها

قیمت‌گذاری

موارد استفاده

moonshot-v1-8k-vision-preview

ویژگی‌ها

قیمت‌گذاری

موارد استفاده

moonshot-v1-32k

ویژگی‌ها

قیمت‌گذاری

موارد استفاده

moonshot-v1-32k-vision-preview

ویژگی‌ها

قیمت‌گذاری

موارد استفاده

moonshot-v1-128k

ویژگی‌ها

قیمت‌گذاری

موارد استفاده

moonshot-v1-128k-vision-preview

ویژگی‌ها

قیمت‌گذاری

موارد استفاده

moonshot-v1-auto

ویژگی‌ها

قیمت‌گذاری