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 Z.AI

AvalAI دسترسی به خانواده مدل‌های GLM (General Language Model) از Z.AI را فراهم می‌کند که به خاطر عملکرد استثنایی کدنویسی، پردازش زمینه طولانی و قابلیت‌های جامع در حوزه‌های مختلف شناخته شده‌اند.

GLM-5.3-Flash

پرچم‌دار چندوجهی و کارآمد Z.AI، توانمندی کدنویسی و عامل‌ها را با معماری ترکیب خبرگان ۳۲۰ میلیارد پارامتری ارائه می‌کند که برای هر توکن ۱۸ میلیارد پارامتر را فعال می‌سازد. طراحی ۴۵ لایه آن از توجه تنک و خطی ترکیبی بهره می‌برد تا هزینه استنتاج نسبت به مدل کامل GLM-5.3 کاهش یابد.

glm-5.3-flash

GLM-5.3-Flash برای کدنویسی، درک چندوجهی، استفاده از ابزار و گردش‌کارهای عاملی طولانی طراحی شده است و هم‌زمان تأخیر و هزینه را در سطحی عملی نگه می‌دارد.

ویژگی	جزئیات
شناسه مدل	`glm-5.3-flash`
معماری	320B پارامتر کل، 18B پارامتر فعال، ۴۵ لایه
پنجره زمینه	991,000 توکن ورودی
حداکثر خروجی	128,000 توکن
قابلیت‌ها	چت، درک چندوجهی، فراخوانی تابع، کش پرامپت، استدلال، انتخاب ابزار
قیمت تشویقی ورودی	$0.075 / ۱ میلیون توکن تا ۱۸ شهریور ۱۴۰۵ (September 9, 2026)
قیمت تشویقی ورودی کش‌شده	$0.015 / ۱ میلیون توکن تا ۱۸ شهریور ۱۴۰۵ (September 9, 2026)
قیمت تشویقی خروجی	$0.25 / ۱ میلیون توکن تا ۱۸ شهریور ۱۴۰۵ (September 9, 2026)
مناسب برای	کدنویسی عاملی، کار در مقیاس مخزن، اسناد تصویری، خودکارسازی ابزارمحور
در دسترس در	`v1/chat/completions`، `v1/messages`، `v1/responses` (پشتیبانی جزئی)

ویژگی‌های کلیدی:

چندوجهی بومی: نخستین مدل چندوجهی بومی در سری GLM-5 که با پیکره چندوجهی ۳۰ تریلیون توکنی آموزش دیده است
معماری کارآمد ترکیب خبرگان: برای هر توکن 18B پارامتر از مجموع 320B پارامتر را در ۴۵ لایه فعال می‌کند
توجه کارآمد: بنا بر گزارش Z.AI، در مقایسه با GLM-5.3 به ۳٫۰ برابر محاسبه کمتر برای توجه و KV cache با اندازه ۴٫۴ برابر کوچک‌تر نیاز دارد
زمینه طولانی: حداکثر 991,000 توکن ورودی و 128,000 توکن خروجی را می‌پذیرد
وزن‌های باز: استقرار مستقل با اکوسیستم‌هایی مانند SGLang، vLLM و TokenSpeed را پشتیبانی می‌کند

نکات برجسته عملکرد به گزارش Z.AI:

Terminal Bench 2.1: امتیاز 84.3 در برابر 81.0 برای GLM-5.2
DeepSWE v1.1: امتیاز 63.4 در برابر 46.2
Toolathlon Verified: امتیاز 78.4 در برابر 59.9
AutomationBench v1.0.6: امتیاز 48.8 در برابر 26.2

استفاده پایه:

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "glm-5.3-flash",
    "messages": [{"role": "user", "content": "این برنامه پیاده‌سازی را بررسی کن و خطرهای اصلی آن را مشخص کن."}]
  }'

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="glm-5.3-flash",
    messages=[
        {
            "role": "user",
            "content": "این برنامه پیاده‌سازی را بررسی کن و خطرهای اصلی آن را مشخص کن.",
        }
    ],
)
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: "glm-5.3-flash",
  messages: [
    { role: "user", content: "این برنامه پیاده‌سازی را بررسی کن و خطرهای اصلی آن را مشخص کن." },
  ],
});
console.log(response.choices[0].message.content);

GLM-5.3

جدیدترین مدل پرچم‌دار Z.AI برای کدنویسی پیچیده، وظایف عاملی بلندمدت و تحلیل امنیتی مجاز است. GLM-5.3 از همان مدل پایه GLM-5.2 استفاده می‌کند و بهبودهای آن حاصل آموزش تکمیلی گسترده‌تر روی محیط‌های بیشتر، وظایف متنوع‌تر و مسیرهای اجرایی طولانی‌تر است.

glm-5.3

توانمندترین مدل کدنویسی Z.AI که برای انجام کارهای مهندسی گسترده از برنامه‌ریزی و پیاده‌سازی تا آزمایش و راستی‌آزمایی طراحی شده است. تفکر همیشه فعال است و توسعه‌دهندگان می‌توانند سطح استدلال low، high یا max را انتخاب کنند.

ویژگی	جزئیات
شناسه مدل	`glm-5.3`
پنجره زمینه	۱٬۰۰۰٬۰۰۰ توکن
حداکثر خروجی	۱۲۸٬۰۰۰ توکن
قابلیت‌ها	چت، فراخوانی تابع، خروجی ساختاریافته، استدلال، تفکر اجباری
قیمت ورودی	۱.۴۰ دلار / ۱ میلیون توکن
قیمت ورودی کش‌شده	۰.۲۶ دلار / ۱ میلیون توکن
قیمت خروجی	۴.۴۰ دلار / ۱ میلیون توکن
نقاط قوت	کدنویسی پیشرو، عامل‌های بلندمدت، تحلیل آسیب‌پذیری، استفاده از ابزار
مناسب برای	کدنویسی عاملی، مهندسی در مقیاس مخزن، خودکارسازی بلندمدت، پژوهش امنیتی مجاز
در دسترس در	`v1/chat/completions`، `v1/messages`، `v1/responses` (پشتیبانی جزئی)

ویژگی‌های کلیدی:

کدنویسی قوی‌تر: Z.AI بهبود ۵۰٪ نسبت به GLM-5.2 را در معیار داخلی Z.ai Code Bench گزارش می‌کند
مهندسی بلندمدت: گردش‌کارهای گسترده شامل برنامه‌ریزی، پیاده‌سازی، آزمایش، ارزیابی و راستی‌آزمایی را انجام می‌دهد
تحلیل امنیت سایبری: کشف بهتر آسیب‌پذیری و استدلال درباره زنجیره بهره‌برداری برای محیط‌های مجاز
تفکر اجباری: مقدار thinking.type باید enabled باشد و غیرفعال‌کردن تفکر پشتیبانی نمی‌شود
سطح استدلال: مقدارهای low، high و max را می‌پذیرد؛ مقدار پیش‌فرض max است و برای کدنویسی پیشنهاد می‌شود
زمینه بزرگ: حداکثر ۱M توکن ورودی و ۱۲۸K توکن خروجی

نکات برجسته عملکرد به گزارش Z.AI:

Terminal-Bench 3.0: امتیاز 28.3 در برابر 4.6 برای GLM-5.2
DeepSWE v1.1: امتیاز 66.9 در برابر 46.2
Agents' Last Exam: امتیاز 28.5 در برابر 23.8
CyberGym: امتیاز 84.5 در برابر 77.2
ExploitBench: امتیاز 54.4 در برابر 24.4

استفاده پایه:

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "glm-5.3",
    "messages": [
      {
        "role": "user",
        "content": "برای بازآرایی مرحله‌ای این مخزن برنامه‌ریزی کن و مراحل راستی‌آزمایی و بازگشت را نیز بنویس."
      }
    ],
    "thinking": {"type": "enabled"},
    "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="glm-5.3",
    messages=[
        {
            "role": "user",
            "content": "برای بازآرایی مرحله‌ای این مخزن برنامه‌ریزی کن و مراحل راستی‌آزمایی و بازگشت را نیز بنویس.",
        }
    ],
    extra_body={
        "thinking": {"type": "enabled"},
        "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: "glm-5.3",
  messages: [
    {
      role: "user",
      content: "برای بازآرایی مرحله‌ای این مخزن برنامه‌ریزی کن و مراحل راستی‌آزمایی و بازگشت را نیز بنویس.",
    },
  ],
  thinking: { type: "enabled" },
  reasoning_effort: "max",
});

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

الزام مهاجرت: درخواست‌هایی که thinking.type: "disabled" می‌فرستند با GLM-5.3 با خطا روبه‌رو می‌شوند. مقدار را به enabled تغییر دهید و اگر سبک‌ترین سطح استدلال را می‌خواهید، reasoning_effort: "low" را به کار ببرید.

GLM-5.2

جدیدترین مدل پرچمدار Z.AI برای مهندسی عاملی که GLM-5.1 را با پنجره زمینه گسترش‌یافته ۱ میلیون توکنی و قابلیت اطمینان بهبودیافته در افق بلند توسعه می‌دهد. GLM-5.2 بر پایه‌های قدرتمند کدنویسی و عاملی سری GLM-5 ساخته شده و در عین حال مدیریت زمینه را برای بارهای کاری سطح ریپو و سنگین از نظر اسناد مقیاس‌پذیر می‌کند.

glm-5.2

توانمندترین مدل GLM از Z.AI که برای مهندسی نرم‌افزار پیچیده، استدلال با زمینه طولانی و گردش‌کارهای عاملی پایدار طراحی شده است. GLM-5.2 عملکرد کدنویسی پیشرو را با پنجره زمینه بزرگ مناسب برای کدبیس‌های چند فایلی و جلسات عاملی طولانی ترکیب می‌کند.

ویژگی	جزئیات
شناسه مدل	`glm-5.2`
پنجره زمینه	۱٬۰۰۰٬۰۰۰ توکن
حداکثر خروجی	۱۲۸٬۰۰۰ توکن
قابلیت‌ها	چت، فراخوانی تابع، خروجی‌های ساختاریافته، استدلال، تفکر عمیق
قیمت ورودی	۱.۴۰ دلار / ۱ میلیون توکن
قیمت ورودی کش شده	۰.۲۶ دلار / ۱ میلیون توکن (۸۱٪ کاهش هزینه)
قیمت خروجی	۴.۴۰ دلار / ۱ میلیون توکن
نقاط قوت	کدنویسی پیشرو، زمینه ۱ میلیون توکنی، مهندسی عاملی افق بلند
بهترین استفاده	کدنویسی عاملی، وظایف سطح ریپو، استدلال با زمینه طولانی، مهندسی نرم‌افزار پیچیده
در دسترس در	`v1/chat/completions`، `v1/responses` (پشتیبانی جزئی)

ویژگی‌های کلیدی:

پنجره زمینه ۱ میلیون توکنی: مدیریت کدبیس‌های سطح ریپو و بارهای کاری سنگین از نظر اسناد در یک درخواست
عملکرد کدنویسی پیشرو: نتایج پیشرفته در معیارهای مهندسی نرم‌افزار و عاملی
بهینه‌سازی افق بلند: حفظ بهینه‌سازی مولد در جلسات چندمرحله‌ای طولانی
بازبینی خود: بازنگری استدلال و تجدیدنظر در استراتژی از طریق تکرار مکرر
قابلیت‌های پیشرفته: حالت تفکر، جریان‌سازی، فراخوانی تابع، کش زمینه، خروجی ساختاریافته، پشتیبانی MCP

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="glm-5.2",
    messages=[
        {
            "role": "user",
            "content": "این کدبیس چند فایلی بزرگ را برای افزودن یک لایه کش بازنویسی کن و برنامه مهاجرت را توضیح بده.",
        }
    ],
    max_tokens=8192,
    temperature=0.6,
)

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `glm-5.2` 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="این کدبیس چند فایلی بزرگ را برای افزودن یک لایه کش بازنویسی کن و برنامه مهاجرت را توضیح بده.",
)

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.

GLM-5.1

مدل پرچمدار نسل جدید Z.AI برای مهندسی عاملی، با قابلیت‌های کدنویسی به طور قابل توجهی قوی‌تر از نسخه قبلی. GLM-5.1 عملکرد پیشرو را در SWE-Bench Pro (۵۸.۴٪) به دست می‌آورد و با فاصله زیادی از GLM-5 در NL2Repo و Terminal-Bench 2.0 پیشتاز است.

glm-5.1

پیشرفته‌ترین مدل Z.AI که عملکرد SOTA را در وظایف مهندسی نرم‌افزار پیچیده به دست می‌آورد و از همه مدل‌ها از جمله GPT-5.4 و Claude Opus 4.6 در SWE-Bench Pro پیشی می‌گیرد.

ویژگی	جزئیات
شناسه مدل	`glm-5.1`
پنجره زمینه	۲۰۰٬۰۰۰ توکن
حداکثر خروجی	۱۲۸٬۰۰۰ توکن
قابلیت‌ها	چت، فراخوانی تابع، خروجی‌های ساختاریافته، استدلال، تفکر عمیق
قیمت ورودی	۱.۵۴ دلار / ۱ میلیون توکن
قیمت ورودی کش شده	۰.۲۸۶ دلار / ۱ میلیون توکن (۸۱٪ کاهش هزینه)
قیمت خروجی	۴.۸۴ دلار / ۱ میلیون توکن
نقاط قوت	SOTA در SWE-Bench Pro (۵۸.۴٪)، بهینه‌سازی افق بلند، مهندسی عاملی
بهترین استفاده	کدنویسی عاملی، مهندسی نرم‌افزار پیچیده، وظایف سطح ریپو
در دسترس در	`v1/chat/completions`

ویژگی‌های کلیدی:

پیشرو در SWE-Bench Pro: عملکرد ۵۸.۴٪، پیشتاز از همه مدل‌ها از جمله GPT-5.4 و Claude Opus 4.6
بهینه‌سازی افق بلند: حفظ بهینه‌سازی مولد در بیش از ۶۰۰ تکرار با بیش از ۶۰۰۰ فراخوانی ابزار
بازبینی خود: بازنگری استدلال و تجدیدنظر در استراتژی از طریق تکرار مکرر
حل مسائل پیچیده: تجزیه مسائل پیچیده، اجرای آزمایش‌ها، خواندن نتایج و شناسایی موانع با دقت
قابلیت‌های پیشرفته: حالت تفکر، جریان‌سازی، فراخوانی تابع، کش زمینه، خروجی ساختاریافته، پشتیبانی MCP

عملکرد معیار:

SWE-Bench Pro: ۵۸.۴٪ (SOTA)
NL2Repo: ۴۲.۷٪
Terminal-Bench 2.0: ۶۳.۵٪
AIME 2026: ۹۵.۳٪
GPQA-Diamond: ۸۶.۲٪
HLE (با ابزار): ۵۲.۳٪

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="glm-5.1",
    messages=[
        {
            "role": "user",
            "content": "یک پایگاه داده وکتور با خوشه‌بندی IVF و امتیازدهی u8 برای جستجوی نزدیک‌ترین همسایه پیاده‌سازی کن.",
        }
    ],
    max_tokens=8192,
    temperature=0.6,
)

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `glm-5.1` 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 پایگاه داده وکتور با خوشه‌بندی IVF و امتیازدهی u8 برای جستجوی نزدیک‌ترین همسایه پیاده‌سازی کن.",
)

print(response.output_text)

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

GLM-5v-Turbo

مدل بینایی چندحالتی Z.AI که برای وظایف درک بصری با توان بالا بهینه‌سازی شده است.

glm-5v-turbo

مدل بینایی-زبان Z.AI برای پردازش و تحلیل تصاویر با دقت بالا، با پشتیبانی از چندین تصویر در یک درخواست.

ویژگی	جزئیات
شناسه مدل	`glm-5v-turbo`
پنجره زمینه	۲۰۰٬۰۰۰ توکن
حداکثر خروجی	۱۲۸٬۰۰۰ توکن
قابلیت‌ها	چت، بینایی، فراخوانی تابع، خروجی‌های ساختاریافته
قیمت ورودی	۱.۲۰ دلار / ۱ میلیون توکن
قیمت ورودی کش شده	۰.۲۴ دلار / ۱ میلیون توکن (۸۰٪ کاهش هزینه)
قیمت خروجی	۴.۰۰ دلار / ۱ میلیون توکن
نقاط قوت	درک بینایی، پشتیبانی چند تصویر، توان بالا
بهترین استفاده	تحلیل تصویر، پرسش و پاسخ بصری، درک اسناد، وظایف چندحالتی
در دسترس در	`v1/chat/completions`

ویژگی‌های کلیدی:

درک بینایی: پردازش و تحلیل تصاویر با دقت بالا
پشتیبانی چند تصویر: مدیریت چندین تصویر در یک درخواست
توان بالا: بهینه‌سازی شده برای پردازش بصری سریع
کش زمینه: ۸۰٪ کاهش هزینه در ورودی‌های کش شده
فراخوانی تابع: پشتیبانی کامل از ابزار با ورودی‌های بصری
جریان‌سازی: پاسخ‌های جریانی بلادرنگ

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="glm-5v-turbo",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "چه اشیائی در این تصویر می‌بینید؟"},
                {
                    "type": "image_url",
                    "image_url": {"url": "https://example.com/image.jpg"},
                },
            ],
        }
    ],
    max_tokens=2048,
)

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

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

print(response.output_text)

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

GLM-5

مدل پایه پرچمدار Z.AI که برای مهندسی عامل‌محور طراحی شده، قادر به ارائه بهره‌وری قابل اعتماد در مهندسی سیستم‌های پیچیده و وظایف عامل‌محور بلندمدت است. GLM-5 عملکرد SOTA را در کدنویسی و قابلیت‌های عامل‌محور در میان مدل‌های open-weight به دست می‌آورد.

glm-5

مدل پرچمدار Z.AI که هم‌ترازی عملکرد با Claude Opus 4.5 را در وظایف مهندسی نرم‌افزار به دست می‌آورد، با بالاترین امتیازات در میان مدل‌های open-weight در SWE-bench Verified و Terminal Bench 2.0.

ویژگی	جزئیات
شناسه مدل	`glm-5`
پنجره زمینه	۲۰۰,۰۰۰ توکن
حداکثر خروجی	۱۲۸,۰۰۰ توکن
قابلیت‌ها	گفتگو، فراخوانی تابع، خروجی‌های ساختاریافته، استدلال، تفکر عمیق
قیمت ورودی	$1.10 / 1M توکن
قیمت ورودی کش‌شده	$0.22 / 1M توکن (۸۰٪ کاهش هزینه)
قیمت خروجی	$3.52 / 1M توکن
نقاط قوت	کدنویسی SOTA، مهندسی عامل‌محور، عملکرد سطح Claude Opus 4.5
مناسب برای	کدنویسی عامل‌محور، وظایف عامل‌محور بلندمدت، مهندسی نرم‌افزار، طراحی سیستم پیچیده
در دسترس در	`v1/chat/completions`

ویژگی‌های کلیدی:

مهندسی عامل‌محور: طراحی شده برای مهندسی سیستم‌های پیچیده و وظایف عامل‌محور بلندمدت
عملکرد SOTA در کدنویسی: امتیاز 77.8 در SWE-bench Verified، 56.2 در Terminal Bench 2.0 (بالاترین در میان مدل‌های open-weight)
سطح Claude Opus 4.5: هم‌ترازی عملکرد در وظایف مهندسی نرم‌افزار
مقیاس مدل بزرگتر: 744 میلیارد پارامتر (40 میلیارد فعال) با 28.5T داده پیش‌آموزش
توجه پراکنده: DeepSeek Sparse Attention برای بهره‌وری بهبود یافته
قابلیت‌های پیشرفته: حالت تفکر، جریان، فراخوانی تابع، کش زمینه، خروجی ساختاریافته

نکات برجسته عملکرد:

GLM-5 عملکرد پیشگامانه‌ای به دست می‌آورد:

عملکرد بهتر از Gemini 3.0 Pro در کدنویسی کلی
دستیابی به SOTA در میان مدل‌های open-weight در SWE-bench Verified و τ²-Bench
برتری در توسعه فرانت‌اند، مهندسی سیستم‌های بک‌اند، و وظایف اجرای بلندمدت
برنامه‌ریزی بلندمدت عامل‌محور خودکار، بازسازی بک‌اند، و اشکال‌زدایی عمیق

استفاده پایه:

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "glm-5",
    "messages": [
      {
        "role": "user",
        "content": "معماری میکروسرویس‌ها را برای پلتفرم تجارت الکترونیک با سرویس‌های مدیریت سفارش، موجودی و پرداخت طراحی و پیاده‌سازی کن."
      }
    ],
    "max_tokens": 8192,
    "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="glm-5",
    messages=[
        {
            "role": "user",
            "content": "معماری میکروسرویس‌ها را برای پلتفرم تجارت الکترونیک با سرویس‌های مدیریت سفارش، موجودی و پرداخت طراحی و پیاده‌سازی کن.",
        }
    ],
    max_tokens=8192,
    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: "glm-5",
    messages: [
        {
            role: "user",
            content: "معماری میکروسرویس‌ها را برای پلتفرم تجارت الکترونیک با سرویس‌های مدیریت سفارش، موجودی و پرداخت طراحی و پیاده‌سازی کن."
        }
    ],
    max_tokens: 8192,
    temperature: 0.6
});

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `glm-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-5.6-luna",
    instructions="You are a helpful assistant.",
    input="معماری میکروسرویس‌ها را برای پلتفرم تجارت الکترونیک با سرویس‌های مدیریت سفارش، موجودی و پرداخت طراحی و 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-5.6-luna",
  instructions: "You are a helpful assistant.",
  input: "معماری میکروسرویس‌ها را برای پلتفرم تجارت الکترونیک با سرویس‌های مدیریت سفارش، موجودی و پرداخت طراحی و 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-5.6-luna",
    "input": "معماری میکروسرویس‌ها را برای پلتفرم تجارت الکترونیک با سرویس‌های مدیریت سفارش، موجودی و پرداخت طراحی و 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.

حالت تفکر عمیق:

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "glm-5",
    "messages": [
      {
        "role": "user",
        "content": "این کدبیس پیچیده را تحلیل کن و بهبودهای معماری را برای نگهداری و مقیاس‌پذیری بهتر پیشنهاد بده."
      }
    ],
    "thinking": {
      "type": "enabled",
      "budget_tokens": 15000
    },
    "max_tokens": 16384
  }'

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="glm-5",
    messages=[
        {
            "role": "user",
            "content": "این کدبیس پیچیده را تحلیل کن و بهبودهای معماری را برای نگهداری و مقیاس‌پذیری بهتر پیشنهاد بده.",
        }
    ],
    extra_body={"thinking": {"type": "enabled", "budget_tokens": 15000}},
    max_tokens=16384,
)

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: "glm-5",
    messages: [
        {
            role: "user",
            content: "این کدبیس پیچیده را تحلیل کن و بهبودهای معماری را برای نگهداری و مقیاس‌پذیری بهتر پیشنهاد بده."
        }
    ],
    thinking: {
        type: "enabled",
        budget_tokens: 15000
    },
    max_tokens: 16384
});

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `glm-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-5.6-luna",
    instructions="You are a helpful assistant.",
    input="این کدبیس پیچیده را تحلیل کن و بهبودهای معماری را برای نگهداری و مقیاس‌پذیری بهتر پیشنهاد بده.",
)

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: "این کدبیس پیچیده را تحلیل کن و بهبودهای معماری را برای نگهداری و مقیاس‌پذیری بهتر پیشنهاد بده.",
});

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": "این کدبیس پیچیده را تحلیل کن و بهبودهای معماری را برای نگهداری و مقیاس‌پذیری بهتر پیشنهاد بده.",
    "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.

GLM-5-Turbo

مدل پایه Z.AI که عمیقا برای سناریوهای عاملی OpenClaw بهینه‌سازی شده است. این مدل از مرحله آموزش به طور خاص برای نیازمندی‌های اصلی وظایف OpenClaw بهینه‌سازی شده و قابلیت‌های کلیدی مانند فراخوانی ابزار، پیروی از دستورات، وظایف زمان‌بندی‌شده و پایدار، و اجرای زنجیره بلند را تقویت کرده است.

glm-5-turbo

مدل بهبود یافته ClawBench که برای گردش‌های کاری عاملی دنیای واقعی طراحی شده، با قابلیت‌های برتر فراخوانی ابزار، پیروی از دستورات و اجرای زنجیره بلند.

ویژگی	جزئیات
شناسه مدل	`glm-5-turbo`
پنجره زمینه	۲۰۰,۰۰۰ توکن
حداکثر خروجی	۱۲۸,۰۰۰ توکن
قابلیت‌ها	گفتگو، فراخوانی تابع، خروجی‌های ساختاریافته، استدلال، حالت تفکر، MCP
قیمت ورودی	$1.32 / 1M توکن
قیمت ورودی کش‌شده	$0.264 / 1M توکن (۸۰٪ کاهش هزینه)
قیمت خروجی	$4.40 / 1M توکن
نقاط قوت	بومی OpenClaw، فراخوانی ابزار دقیق، پیروی از دستورات، اجرای زنجیره بلند
مناسب برای	گردش‌های کاری عاملی، برنامه‌های سنگین ابزار، وظایف زمان‌بندی‌شده، اتوماسیون چند مرحله‌ای
در دسترس در	`v1/chat/completions`

ویژگی‌های کلیدی:

مدل بومی OpenClaw: ساخته شده به طور سیستماتیک برای گردش‌های کاری عاملی دنیای واقعی از داده‌های آموزشی تا اهداف بهینه‌سازی
فراخوانی ابزار—فراخوانی دقیق: قابلیت تقویت‌شده برای فراخوانی ابزارها و مهارت‌های مختلف خارجی با ثبات و قابلیت اطمینان بیشتر در وظایف چند مرحله‌ای
پیروی از دستورات—تجزیه پیشرفته: قابلیت‌های درک و تجزیه قوی‌تر برای دستورات پیچیده، چندلایه و زنجیره بلند
وظایف زمان‌بندی‌شده و پایدار: بهینه‌سازی شده برای تریگرهای زمان‌بندی‌شده، اجرای مداوم و وظایف طولانی‌مدت با درک بهتر ابعاد زمانی
زنجیره‌های بلند با توان بالا: کارایی اجرا و ثبات پاسخ بهبود یافته برای توان داده بالا و زنجیره‌های منطقی بلند
حالت تفکر: حالت‌های تفکر متعدد برای سناریوهای مختلف
خروجی جریانی: پاسخ‌های جریانی بلادرنگ برای تجربه تعامل کاربر بهتر
کش زمینه: مکانیزم کش هوشمند برای بهینه‌سازی عملکرد در مکالمات طولانی
خروجی ساختاریافته: پشتیبانی از JSON و سایر قالب‌های خروجی ساختاریافته
پشتیبانی MCP: یکپارچه‌سازی انعطاف‌پذیر ابزارها و منابع داده MCP خارجی

عملکرد ZClawBench:

GLM-5-Turbo بهبودهای قابل توجهی نسبت به GLM-5 در سناریوهای OpenClaw ارائه می‌دهد:

عملکرد بهتر از چندین مدل پیشرو در دسته‌های وظایف کلیدی متعدد
پوشش راه‌اندازی محیط، توسعه نرم‌افزار، بازیابی اطلاعات، تحلیل داده و ایجاد محتوا
مدیریت ۳۰-۵۰٪ گردش‌های کاری عامل تحقیقاتی به طور خودمختار

استفاده پایه:

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "glm-5-turbo",
    "messages": [
      {
        "role": "user",
        "content": "به عنوان یک متخصص بازاریابی، لطفا یک شعار جذاب برای محصول من ایجاد کنید."
      },
      {
        "role": "assistant",
        "content": "البته، برای ایجاد یک شعار جذاب، لطفا بیشتر در مورد محصولتان بگویید."
      },
      {
        "role": "user",
        "content": "پلتفرم باز Z.AI"
      }
    ],
    "max_tokens": 4096,
    "temperature": 1.0
  }'

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="glm-5-turbo",
    messages=[
        {
            "role": "user",
            "content": "به عنوان یک متخصص بازاریابی، لطفا یک شعار جذاب برای محصول من ایجاد کنید.",
        },
        {
            "role": "assistant",
            "content": "البته، برای ایجاد یک شعار جذاب، لطفا بیشتر در مورد محصولتان بگویید.",
        },
        {
            "role": "user",
            "content": "پلتفرم باز Z.AI",
        },
    ],
    max_tokens=4096,
    temperature=1.0,
)

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: "glm-5-turbo",
    messages: [
        {
            role: "user",
            content: "به عنوان یک متخصص بازاریابی، لطفا یک شعار جذاب برای محصول من ایجاد کنید."
        },
        {
            role: "assistant",
            content: "البته، برای ایجاد یک شعار جذاب، لطفا بیشتر در مورد محصولتان بگویید."
        },
        {
            role: "user",
            content: "پلتفرم باز Z.AI"
        }
    ],
    max_tokens: 4096,
    temperature: 1.0
});

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `glm-5-turbo` 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="پلتفرم باز Z.AI",
)

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: "پلتفرم باز Z.AI",
});

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": "پلتفرم باز Z.AI",
    "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.

حالت تفکر:

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "glm-5-turbo",
    "messages": [
      {
        "role": "user",
        "content": "یک هارنس عامل تحقیقاتی طراحی کنید که از خطوط لوله داده، محیط‌های آموزش و همکاری بین تیمی پشتیبانی کند."
      }
    ],
    "thinking": {
      "type": "enabled"
    },
    "stream": true,
    "max_tokens": 4096,
    "temperature": 1.0
  }'

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="glm-5-turbo",
    messages=[
        {
            "role": "user",
            "content": "یک هارنس عامل تحقیقاتی طراحی کنید که از خطوط لوله داده، محیط‌های آموزش و همکاری بین تیمی پشتیبانی کند.",
        }
    ],
    extra_body={"thinking": {"type": "enabled"}},
    stream=True,
    max_tokens=4096,
    temperature=1.0,
)

for chunk in response:
    if chunk.choices[0].delta.content:
        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 response = await client.chat.completions.create({
    model: "glm-5-turbo",
    messages: [
        {
            role: "user",
            content: "یک هارنس عامل تحقیقاتی طراحی کنید که از خطوط لوله داده، محیط‌های آموزش و همکاری بین تیمی پشتیبانی کند."
        }
    ],
    thinking: {
        type: "enabled"
    },
    stream: true,
    max_tokens: 4096,
    temperature: 1.0
});

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `glm-5-turbo` 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="یک هارنس عامل تحقیقاتی طراحی کنید که از خطوط لوله داده، محیط‌های آموزش و همکاری بین تیمی پشتیبانی کند.",
)

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: "یک هارنس عامل تحقیقاتی طراحی کنید که از خطوط لوله داده، محیط‌های آموزش و همکاری بین تیمی پشتیبانی کند.",
});

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": "یک هارنس عامل تحقیقاتی طراحی کنید که از خطوط لوله داده، محیط‌های آموزش و همکاری بین تیمی پشتیبانی کند.",
    "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.

GLM-4.7

جدیدترین مدل در سری GLM که عمق استدلال برابر با o3 را با کارایی تا ۲۰ برابر بهتر ترکیب می‌کند و در کدنویسی و وظایف عاملی برتری دارد.

glm-4.7

پیشرفته‌ترین مدل Z.AI که عمق استدلال برابر با o3 را با کارایی استثنایی ترکیب می‌کند و عملکرد برتر در کدنویسی، ریاضیات و گردش‌های کاری عامل‌محور ارائه می‌دهد.

ویژگی	جزئیات
شناسه مدل	`glm-4.7`
پنجره زمینه	۲۰۰,۰۰۰ توکن
حداکثر خروجی	۱۲۸,۰۰۰ توکن
قابلیت‌ها	گفتگو، فراخوانی تابع، خروجی‌های ساختاریافته، استدلال، تفکر عمیق
قیمت ورودی	$0.60 / 1M توکن
قیمت ورودی کش‌شده	$0.11 / 1M توکن (۸۲٪ کاهش هزینه)
قیمت خروجی	$2.20 / 1M توکن
نقاط قوت	استدلال سطح o3، کارایی ۲۰ برابر، کدنویسی برتر، گردش‌های کاری عامل‌محور
مناسب برای	کدنویسی پیچیده، اتوماسیون عامل‌محور، حل مسائل ریاضی، برنامه‌نویسی رقابتی
در دسترس در	`v1/chat/completions`، `v1/responses` (جزئی)، `v1/messages` (جزئی)

ویژگی‌های کلیدی:

استدلال سطح o3: دستیابی به عمق استدلال برابر با o3 در بنچمارک‌های چالش‌برانگیز
کارایی ۲۰ برابر: ارائه کارایی تا ۲۰ برابر بهتر با هزینه ۵۰٪ کمتر نسبت به رقبا
کدنویسی برتر: عملکرد بهتر از Claude Sonnet 4 و GPT-4.1 در وظایف کدنویسی
حالت تفکر عمیق: پشتیبانی از حالت hard_thinking_low برای وظایف استدلال پیچیده
یکپارچه‌سازی سیستم اجرا: پشتیبانی بومی برای گردش‌های کاری عامل‌محور با اجرای کد
زمینه گسترده: پنجره زمینه ۲۰۰K توکن با ظرفیت خروجی ۱۲۸K توکن

نکات برجسته عملکرد:

GLM-4.7 عملکرد پیشگامانه‌ای به دست می‌آورد:

برابری با o3 در بنچمارک‌های استدلال (AIME 2025، GPQA Diamond)
عملکرد بهتر از Claude Sonnet 4 و GPT-4.1 در وظایف کدنویسی
عملکرد استثنایی در LiveCodeBench و SWE-Bench
کارایی تا ۲۰ برابر بیشتر نسبت به مدل‌های رقیب

استفاده پایه:

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "glm-4.7",
    "messages": [
      {
        "role": "user",
        "content": "یک درخت جستجوی دودویی با تعادل AVL در پایتون پیاده‌سازی کن، شامل عملیات درج، حذف و جستجو."
      }
    ],
    "max_tokens": 4096,
    "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="glm-4.7",
    messages=[
        {
            "role": "user",
            "content": "یک درخت جستجوی دودویی با تعادل AVL در پایتون پیاده‌سازی کن، شامل عملیات درج، حذف و جستجو.",
        }
    ],
    max_tokens=4096,
    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: "glm-4.7",
    messages: [
        {
            role: "user",
            content: "یک درخت جستجوی دودویی با تعادل AVL در پایتون پیاده‌سازی کن، شامل عملیات درج، حذف و جستجو."
        }
    ],
    max_tokens: 4096,
    temperature: 0.6
});

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `glm-4.7` 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="یک درخت جستجوی دودویی با تعادل AVL در پایتون پیاده‌سازی کن، شامل عملیات درج، حذف و جستجو.",
)

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: "یک درخت جستجوی دودویی با تعادل AVL در پایتون پیاده‌سازی کن، شامل عملیات درج، حذف و جستجو.",
});

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": "یک درخت جستجوی دودویی با تعادل AVL در پایتون پیاده‌سازی کن، شامل عملیات درج، حذف و جستجو.",
    "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.

حالت تفکر عمیق:

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "glm-4.7",
    "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"
      }
    ],
    "thinking": {
      "type": "enabled",
      "budget_tokens": 10000
    },
    "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="glm-4.7",
    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",
        }
    ],
    extra_body={"thinking": {"type": "enabled", "budget_tokens": 10000}},
    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: "glm-4.7",
    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"
        }
    ],
    thinking: {
        type: "enabled",
        budget_tokens: 10000
    },
    max_tokens: 8192
});

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `glm-4.7` 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="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)

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: "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",
});

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": "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",
    "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.

سری GLM-4.7-Flash

سری GLM-4.7-Flash قدرت GLM-4.7 را در بسته‌های کوچک‌تر، سریع‌تر و ارزان‌تر ارائه می‌دهد. این مدل‌ها در معیارهای اصلی مانند SWE-bench Verified و τ²-Bench به امتیازات SOTA متن‌باز در میان مدل‌های با اندازه مشابه دست یافته‌اند.

glm-4.7-flashx

سریع‌ترین مدل در خانواده GLM-4.7، بهینه‌سازی شده برای برنامه‌های حساس به سرعت در عین حفظ قابلیت‌های برنامه‌نویسی عالی.

ویژگی	جزئیات
شناسه مدل	`glm-4.7-flashx`
پنجره متن	۲۰۰,۰۰۰ توکن
حداکثر خروجی	۱۲۸,۰۰۰ توکن
قابلیت‌ها	چت، فراخوانی تابع، خروجی‌های ساختاریافته
قیمت ورودی	$۰.۰۷۷ / ۱ میلیون توکن
قیمت ورودی کش‌شده	$۰.۰۱۱ / ۱ میلیون توکن (۸۶٪ کاهش هزینه)
قیمت خروجی	$۰.۴۴ / ۱ میلیون توکن
نقاط قوت	استنتاج سریع، مقرون‌به‌صرفه، کدنویسی عالی
بهترین برای	برنامه‌های با توان عملیاتی بالا، پاسخ‌های سریع، استقرارهای حساس به هزینه
دسترسی در	`v1/chat/completions`، `v1/responses` (جزئی)، `v1/messages` (جزئی)

ویژگی‌های کلیدی:

SOTA متن‌باز: دستیابی به امتیازات پیشرفته در میان مدل‌های با اندازه مشابه در SWE-bench Verified و τ²-Bench
توسعه برتر: عملکرد عالی در هر دو وظایف توسعه فرانت‌اند و بک‌اند
استنتاج سریع: بهینه‌سازی شده برای سرعت با تأخیر پاسخ کمتر
مقرون‌به‌صرفه: قیمت‌گذاری به طور قابل توجهی کمتر از مدل کامل GLM-4.7

استفاده پایه:

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "glm-4.7-flashx",
    "messages": [
      {
        "role": "user",
        "content": "یک تابع TypeScript بنویس که یک ابزار debounce با تایپ مناسب پیاده‌سازی کند."
      }
    ],
    "max_tokens": 2048,
    "temperature": 0.7
  }'

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="glm-4.7-flashx",
    messages=[
        {
            "role": "user",
            "content": "یک تابع TypeScript بنویس که یک ابزار debounce با تایپ مناسب پیاده‌سازی کند.",
        }
    ],
    max_tokens=2048,
    temperature=0.7,
)

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: "glm-4.7-flashx",
    messages: [
        {
            role: "user",
            content: "یک تابع TypeScript بنویس که یک ابزار debounce با تایپ مناسب پیاده‌سازی کند."
        }
    ],
    max_tokens: 2048,
    temperature: 0.7
});

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `glm-4.7-flashx` 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="یک تابع TypeScript بنویس که یک ابزار debounce با تایپ مناسب پیاده‌سازی کند.",
)

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: "یک تابع TypeScript بنویس که یک ابزار debounce با تایپ مناسب پیاده‌سازی کند.",
});

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": "یک تابع TypeScript بنویس که یک ابزار debounce با تایپ مناسب پیاده‌سازی کند.",
    "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.

glm-4.7-flash

مدلی متعادل با عملکرد عالی و کارایی بهبود یافته نسبت به مدل کامل GLM-4.7، به ویژه قوی برای وظایف توسعه، ترجمه و پردازش متن طولانی.

ویژگی	جزئیات
شناسه مدل	`glm-4.7-flash`
پنجره متن	۲۰۰,۰۰۰ توکن
حداکثر خروجی	۱۲۸,۰۰۰ توکن
قابلیت‌ها	چت، فراخوانی تابع، خروجی‌های ساختاریافته
قیمت ورودی	$۰.۰۷ / ۱ میلیون توکن
قیمت ورودی کش‌شده	$۰.۰۱ / ۱ میلیون توکن (۸۶٪ کاهش هزینه)
قیمت خروجی	$۰.۴۰ / ۱ میلیون توکن
نقاط قوت	عملکرد متعادل، عالی برای توسعه، ترجمه
بهترین برای	توسعه فرانت‌اند/بک‌اند، نوشتن چینی، ترجمه، پردازش متن طولانی
دسترسی در	`v1/chat/completions`، `v1/responses` (جزئی)، `v1/messages` (جزئی)

ویژگی‌های کلیدی:

کاربردهای متنوع: عالی برای نوشتن چینی، ترجمه، پردازش متن طولانی و تعاملات نقش‌آفرینی
زیبایی‌شناسی فرانت‌اند برتر: تولید صفحات وب، ارائه‌ها و پوسترهای بصری برتر
مقرون‌به‌صرفه: قیمت‌گذاری تقریبا ۹۰٪ کمتر از مدل کامل GLM-4.7 در عین حفظ کیفیت
متن گسترده: پنجره متن ۲۰۰ هزار توکن با ظرفیت خروجی ۱۲۸ هزار توکن

استفاده پایه:

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "glm-4.7-flash",
    "messages": [
      {
        "role": "user",
        "content": "یک صفحه لندینگ مدرن و واکنش‌گرا برای یک محصول SaaS با بخش هیرو و جدول قیمت‌گذاری طراحی کن."
      }
    ],
    "max_tokens": 4096,
    "temperature": 0.7
  }'

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="glm-4.7-flash",
    messages=[
        {
            "role": "user",
            "content": "یک صفحه لندینگ مدرن و واکنش‌گرا برای یک محصول SaaS با بخش هیرو و جدول قیمت‌گذاری طراحی کن.",
        }
    ],
    max_tokens=4096,
    temperature=0.7,
)

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: "glm-4.7-flash",
    messages: [
        {
            role: "user",
            content: "یک صفحه لندینگ مدرن و واکنش‌گرا برای یک محصول SaaS با بخش هیرو و جدول قیمت‌گذاری طراحی کن."
        }
    ],
    max_tokens: 4096,
    temperature: 0.7
});

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `glm-4.7-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.

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="یک صفحه لندینگ مدرن و واکنش‌گرا برای یک محصول SaaS با بخش هیرو و جدول قیمت‌گذاری طراحی 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: "یک صفحه لندینگ مدرن و واکنش‌گرا برای یک محصول SaaS با بخش هیرو و جدول قیمت‌گذاری طراحی 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": "یک صفحه لندینگ مدرن و واکنش‌گرا برای یک محصول SaaS با بخش هیرو و جدول قیمت‌گذاری طراحی 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.

GLM-4.6

جدیدترین نسخه در سری GLM که پیشرفت‌های جامع در کدنویسی، استدلال، نوشتن و برنامه‌های عامل‌محور دست یافته است.

glm-4.6

مدل پرچمدار Z.AI که عملکرد برتر در وظایف واقعی کدنویسی ارائه می‌دهد و قابلیت‌هایی برابر با Claude Sonnet 4 نشان می‌دهد.

ویژگی	جزئیات
شناسه مدل	`glm-4.6`
پنجره زمینه	200,000 توکن
حداکثر خروجی	128,000 توکن
قابلیت‌ها	گفتگو، فراخوانی تابع، خروجی‌های ساختاریافته، استدلال، جستجوی وب
قیمت ورودی	$0.60 / 1M توکن
قیمت ورودی کش‌شده	$0.11 / 1M توکن (82٪ کاهش هزینه)
قیمت خروجی	$2.20 / 1M توکن
قیمت جستجوی وب	$0.01 / فراخوانی
نقاط قوت	کدنویسی برتر، پردازش زمینه طولانی، استدلال، گردکارهای عامل‌محور
مناسب برای	ابزارهای کدنویسی هوش مصنوعی، دفتر هوشمند، تولید محتوا، ترجمه، شخصیت‌های مجازی
در دسترس در	`v1/chat/completions`

ویژگی‌های کلیدی:

پنجره زمینه گسترده: 200K توکن (گسترش یافته از 128K) برای مدیریت وظایف پیچیده عامل‌محور
عملکرد برتر کدنویسی: عملکرد بهتر از Claude Sonnet 4 در تست‌های واقعی کدنویسی در محیط Claude Code
استدلال پیشرفته: حالت تفکر داخلی با پارامتر thinking برای حل مسئله بهبود یافته
کارایی توکن: بیش از 30٪ کارآمدتر از نسخه قبلی GLM-4.5
استفاده از ابزار: پشتیبانی بومی برای فراخوانی ابزار در حین استنتاج
یکپارچه‌سازی جستجوی وب: قابلیت‌های جستجوی وب داخلی برای اطلاعات به‌روز
فراخوانی تابع: اتصال مدل به ابزارها و سیستم‌های خارجی
خروجی‌های ساختاریافته: بازگرداندن پاسخ‌ها در قالب‌های خاص و سازمان‌یافته

نکات برجسته عملکرد:

GLM-4.6 عملکردی برابر با Claude Sonnet 4/Claude Sonnet 4.6 در 8 معیار معتبر از جمله موارد زیر به دست می‌آورد:

AIME 25
GPQA
LCB v6
HLE
SWE-Bench Verified

در 74 تست واقعی کدنویسی در محیط Claude Code، GLM-4.6 عملکرد برتری نسبت به Claude Sonnet 4 و سایر مدل‌ها نشان می‌دهد، با شفافیت در تمام مسیرهای تست (در دسترس عموم در https://huggingface.co/datasets/zai-org/CC-Bench-trajectories).

استفاده پایه:

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "glm-4.6",
    "messages": [
      {
        "role": "user",
        "content": "یک نوار ناوبری واکنش‌گرا با منوهای کشویی با استفاده از React و Tailwind CSS ایجاد کن."
      }
    ],
    "max_tokens": 4096,
    "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="glm-4.6",
    messages=[
        {
            "role": "user",
            "content": "یک نوار ناوبری واکنش‌گرا با منوهای کشویی با استفاده از React و Tailwind CSS ایجاد کن.",
        }
    ],
    max_tokens=4096,
    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: "glm-4.6",
    messages: [
        {
            role: "user",
            content: "یک نوار ناوبری واکنش‌گرا با منوهای کشویی با استفاده از React و Tailwind CSS ایجاد کن."
        }
    ],
    max_tokens: 4096,
    temperature: 0.6
});

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `glm-4.6` 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-5.6-luna",
    instructions="You are a helpful assistant.",
    input="یک نوار ناوبری واکنش‌گرا با منوهای کشویی با استفاده از React و Tailwind CSS ایجاد 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: "یک نوار ناوبری واکنش‌گرا با منوهای کشویی با استفاده از React و Tailwind CSS ایجاد 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": "یک نوار ناوبری واکنش‌گرا با منوهای کشویی با استفاده از React و Tailwind CSS ایجاد 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.

حالت استدلال با پارامتر Thinking:

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "glm-4.6",
    "messages": [
      {
        "role": "user",
        "content": "یک معماری میکروسرویس مقیاس‌پذیر برای یک پلتفرم تجارت الکترونیک طراحی کن."
      }
    ],
    "thinking": {
      "type": "enabled"
    },
    "max_tokens": 4096,
    "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="glm-4.6",
    messages=[
        {
            "role": "user",
            "content": "یک معماری میکروسرویس مقیاس‌پذیر برای یک پلتفرم تجارت الکترونیک طراحی کن.",
        }
    ],
    extra_body={"thinking": {"type": "enabled"}},
    max_tokens=4096,
    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: "glm-4.6",
    messages: [
        {
            role: "user",
            content: "یک معماری میکروسرویس مقیاس‌پذیر برای یک پلتفرم تجارت الکترونیک طراحی کن."
        }
    ],
    thinking: {
        type: "enabled"
    },
    max_tokens: 4096,
    temperature: 0.6
});

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `glm-4.6` 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-5.6-luna",
    instructions="You are a helpful assistant.",
    input="یک معماری میکروسرویس مقیاس‌پذیر برای یک پلتفرم تجارت الکترونیک طراحی 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: "یک معماری میکروسرویس مقیاس‌پذیر برای یک پلتفرم تجارت الکترونیک طراحی 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": "یک معماری میکروسرویس مقیاس‌پذیر برای یک پلتفرم تجارت الکترونیک طراحی 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.

مثال فراخوانی تابع:

BashPythonJavaScript

bash

curl https://api.avalai.ir/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AVALAI_API_KEY" \
  -d '{
    "model": "glm-4.6",
    "messages": [
      {
        "role": "user",
        "content": "آب و هوای نیویورک چطور است؟"
      }
    ],
    "tools": [
      {
        "type": "function",
        "function": {
          "name": "get_weather",
          "description": "دریافت اطلاعات فعلی آب و هوا",
          "parameters": {
            "type": "object",
            "properties": {
              "location": {
                "type": "string",
                "description": "نام شهر"
              }
            },
            "required": ["location"]
          }
        }
      }
    ],
    "tool_choice": "auto"
  }'

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 اطلاعات فعلی آب و هوا",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "نام شهر",
                    }
                },
                "required": ["location"],
            },
        },
    }
]

response = client.chat.completions.create(
    model="glm-4.6",
    messages=[{"role": "user", "content": "آب و هوای نیویورک چطور است؟"}],
    tools=tools,
    tool_choice="auto",
)

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 اطلاعات فعلی آب و هوا",
            parameters: {
                type: "object",
                properties: {
                    location: {
                        type: "string",
                        description: "نام شهر",
                    }
                },
                required: ["location"],
            },
        },
    }
];

const response = await client.chat.completions.create({
    model: "glm-4.6",
    messages: [{role: "user", content: "آب و هوای نیویورک چطور است؟"}],
    tools: tools,
    tool_choice: "auto",
});

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `glm-4.6` 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",
)

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 نیویورک 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 نیویورک 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 نیویورک 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.

موارد استفاده

کدنویسی هوش مصنوعی

GLM-4.6 از زبان‌های برنامه‌نویسی اصلی از جمله Python، JavaScript و Java پشتیبانی می‌کند و زیبایی‌شناسی و طرح‌بندی منطقی برتر در کد فرانت‌اند ارائه می‌دهد. به طور بومی وظایف متنوع عامل را با قابلیت‌های بهبود یافته برنامه‌ریزی خودمختار و فراخوانی ابزار مدیریت می‌کند و در موارد زیر برتری دارد:

تجزیه وظیفه
همکاری بین ابزاری
تنظیمات پویا
گردکارهای توسعه پیچیده
یکپارچه‌سازی IDE (Claude Code، Cline، OpenCode، Roo Code، Kilo Code)

مثال:

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="glm-4.6",
    messages=[
        {
            "role": "user",
            "content": "این تابع Python را برای کارآمدتر شدن بازسازی کن:\n\ndef find_duplicates(arr):\n    result = []\n    for i in range(len(arr)):\n        for j in range(i+1, len(arr)):\n            if arr[i] == arr[j] and arr[i] not in result:\n                result.append(arr[i])\n    return result",
        }
    ],
)

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `glm-4.6` 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.

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="Explain how AvalAI provides a unified API for this request.",
)

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.

دفتر هوشمند

به طور قابل توجهی کیفیت ارائه را در ایجاد PowerPoint و سناریوهای اتوماسیون اداری افزایش می‌دهد. طرح‌بندی‌های زیباشناختی پیشرفته با ساختارهای منطقی واضح تولید می‌کند در حالی که یکپارچگی محتوا و دقت بیان را حفظ می‌کند، که آن را برای موارد زیر ایده‌آل می‌کند:

سیستم‌های اتوماسیون اداری
ابزارهای ارائه هوش مصنوعی
تولید اسناد
ایجاد گزارش

ترجمه و برنامه‌های بین زبانی

کیفیت ترجمه برای زبان‌های متعدد (فرانسوی، روسی، ژاپنی، کره‌ای) و زمینه‌های غیررسمی بهینه‌سازی شده است، به ویژه مناسب برای:

محتوای رسانه‌های اجتماعی
توضیحات تجارت الکترونیک
ترجمه درام کوتاه
خدمات فرامرزی
ارتباطات سازمانی جهانی

انسجام معنایی و ثبات سبکی را در متون طولانی حفظ می‌کند در حالی که به سازگاری سبک برتر و بیان بومی‌سازی شده دست می‌یابد.

تولید محتوا

از تولید محتوای متنوع از جمله موارد زیر پشتیبانی می‌کند:

رمان‌ها و نوشتار خلاق
فیلمنامه‌ها و سناریوها
متن‌نویسی بازاریابی
پست‌های وبلاگ و مقالات

بیان طبیعی را از طریق گسترش زمینه‌ای و تنظیم احساسی به دست می‌آورد.

شخصیت‌های مجازی

لحن و رفتار ثابت را در مکالمات چند دوره‌ای حفظ می‌کند، ایده‌آل برای:

انسان‌های مجازی
برنامه‌های هوش مصنوعی اجتماعی
شخصیت‌بخشی برند
ربات‌های خدمات مشتری
داستان‌سرایی تعاملی

تعاملات را با ثبات شخصیت گرم‌تر و معتبرتر می‌کند.

جستجوی هوشمند و تحقیق عمیق

درک قصد کاربر، بازیابی ابزار و یکپارچه‌سازی نتایج را بهبود می‌بخشد. مدل:

نتایج جستجوی دقیق را برمی‌گرداند
پیامدها را به طور عمیق ترکیب می‌کند
از سناریوهای تحقیق عمیق پشتیبانی می‌کند
پاسخ‌های بینشی با یکپارچه‌سازی جستجوی وب به قیمت $0.01 به ازای هر فراخوانی ارائه می‌دهد

مثال جستجوی وب:

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="glm-4.6",
    messages=[
        {
            "role": "user",
            "content": "آخرین پیشرفت‌ها در محاسبات کوانتومی تا سال 2025 چیست؟",
        }
    ],
    extra_body={"web_search": True},
)

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `glm-4.6` 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.

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",
    input="آخرین پیشرفت‌ها در محاسبات کوانتومی تا سال 2025 چیست؟",
    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.

پارامترهای کلیدی

thinking

حالت استدلال مدل را کنترل می‌کند. هنگامی که فعال است، مدل فرآیند تفکر خود را قبل از ارائه پاسخ نهایی نشان می‌دهد.

python

{"thinking": {"type": "enabled"}}  # یا "disabled"

web_search

قابلیت‌های جستجوی وب را برای بازیابی اطلاعات به‌روز فعال می‌کند. هر فراخوانی جستجو $0.01 هزینه دارد.

python

{"web_search": True}  # یا False

temperature

تصادفی بودن را در تولید خروجی کنترل می‌کند (0-2). مقادیر پایین‌تر خروجی را متمرکزتر و قطعی‌تر می‌کنند.

python

{"temperature": 0.6}  # پیش‌فرض: 0.6

max_tokens

حداکثر تعداد توکن‌ها برای تولید در پاسخ (تا 128K).

python

{"max_tokens": 4096}  # بر اساس نیازهای شما تنظیم کنید

بهترین شیوه‌ها

استفاده از حالت استدلال برای وظایف پیچیده: پارامتر thinking را برای حل مسئله پیچیده، طراحی معماری و وظایف برنامه‌ریزی استراتژیک فعال کنید.
استفاده از زمینه طولانی: از پنجره زمینه 200K توکن برای پردازش پایگاه‌های کد بزرگ، اسناد گسترده یا مکالمات چند دوره‌ای استفاده کنید.
بهینه‌سازی با ورودی کش‌شده: از ذخیره‌سازی پرامپت برای کاهش هزینه‌ها تا 82٪ برای زمینه تکراری استفاده کنید.
فعال‌سازی جستجوی وب در صورت نیاز: جستجوی وب را برای وظایفی که نیاز به اطلاعات فعلی دارند فعال کنید، اما به هزینه $0.01 به ازای هر فراخوانی توجه کنید.
فراخوانی تابع برای یکپارچه‌سازی‌ها: از فراخوانی تابع برای اتصال GLM-4.6 با ابزارها، پایگاه‌های داده و APIهای خارجی استفاده کنید.
کنترل دما: از دماهای پایین‌تر (0.3-0.6) برای کدنویسی و وظایف تحلیلی، دماهای بالاتر (0.7-1.0) برای محتوای خلاق استفاده کنید.
خروجی‌های ساختاریافته: از قابلیت‌های خروجی ساختاریافته برای تجزیه پاسخ قابل پیش‌بینی، فرمت‌های خروجی خاص را درخواست کنید.

استفاده از مدل‌های Z.AI از طریق AvalAI

با استفاده از نقاط پایانی استاندارد API AvalAI و کتابخانه‌های سازگار با OpenAI به مدل‌های GLM دسترسی پیدا کنید.

python

from openai import OpenAI

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

response = client.chat.completions.create(
    model="glm-4.6",
    messages=[{"role": "user", "content": "یک هایکو درباره هوش مصنوعی بنویس."}],
)

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

نسخه معادل Responses API مدل این نسخه روی `gpt-5.5` تنظیم شده، چون `glm-4.6` 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.

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 هایکو درباره هوش مصنوعی 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.

مدل‌های Z.AI ​

GLM-5.3-Flash ​

glm-5.3-flash ​

GLM-5.3 ​

glm-5.3 ​

GLM-5.2 ​

glm-5.2 ​

GLM-5.1 ​

glm-5.1 ​

GLM-5v-Turbo ​

glm-5v-turbo ​

GLM-5 ​

glm-5 ​

GLM-5-Turbo ​

glm-5-turbo ​

GLM-4.7 ​

glm-4.7 ​

سری GLM-4.7-Flash ​

glm-4.7-flashx ​

glm-4.7-flash ​

GLM-4.6 ​

glm-4.6 ​

موارد استفاده ​

کدنویسی هوش مصنوعی ​

دفتر هوشمند ​

ترجمه و برنامه‌های بین زبانی ​

تولید محتوا ​

شخصیت‌های مجازی ​

جستجوی هوشمند و تحقیق عمیق ​

پارامترهای کلیدی ​

thinking ​

web_search ​

temperature ​

max_tokens ​

بهترین شیوه‌ها ​

استفاده از مدل‌های Z.AI از طریق AvalAI ​

منابع مرتبط ​

مدل‌های Z.AI

GLM-5.3-Flash

glm-5.3-flash

GLM-5.3

glm-5.3

GLM-5.2

glm-5.2

GLM-5.1

glm-5.1

GLM-5v-Turbo

glm-5v-turbo

GLM-5

glm-5

GLM-5-Turbo

glm-5-turbo

GLM-4.7

glm-4.7

سری GLM-4.7-Flash

glm-4.7-flashx

glm-4.7-flash

GLM-4.6

glm-4.6

موارد استفاده

کدنویسی هوش مصنوعی

دفتر هوشمند

ترجمه و برنامه‌های بین زبانی

تولید محتوا

شخصیت‌های مجازی

جستجوی هوشمند و تحقیق عمیق

پارامترهای کلیدی

thinking

web_search

temperature

max_tokens

بهترین شیوه‌ها

استفاده از مدل‌های Z.AI از طریق AvalAI

منابع مرتبط