Posts

Posts

Post Cover Image

معرفی مدل‌ OpenAI o1

مدل‌های o1 از شرکت OpenAI جهشی بزرگ در توانمندی‌های هوش مصنوعی به‌ویژه در زمینه‌هایی همچون استدلال پیچیده و حل مسائل دشوار ایجاد کرده‌اند. این مدل‌ها، شامل o1-preview و o1-mini، به طور خاص برای برتری در حوزه‌های STEM (ریاضیات، برنامه‌نویسی، و استدلال علمی) طراحی شده‌اند. این مدل‌ها نیز همانند دیگر مدل‌های ارایه شده توسط OpenAI از طریق Gilas API در دسترس عموم برنامه‌نویسان ایرانی قرار دارد. برای مشاهده همه‌ی مدل‌های قابل دسترس از طریق Gilas API، می‌توانید به صفحه‌ی مدل‌های قابل دسترسی مراجعه کنید. ...

Post Cover Image

معرفی مدل OpenAI o3-mini

مدل جدید o3-mini که این هفته توسط OpenAI رونمایی شد از امروز از طریق پلتفرم گیلاس در دسترس همه‌ی کاربران قرار گرفته است. این مدل قدرتمند و سریع مرزهای توانایی مدل‌های کوچک را گسترش می‌دهد و قابلیت‌های برجسته‌ای در زمینه‌های STEM دارد، به‌ویژه در علوم، ریاضیات و برنامه‌نویسی، در حالی که همچنان هزینه پایین و تأخیر کم OpenAI o1-mini را حفظ می‌کند. مدل OpenAI o3-mini اولین مدل استدلالی کوچک است که از ویژگی‌هایd مانند function calling، Structured Outputs و developer messages پشتیبانی می‌کند و از همان ابتدا برای استفاده در محیط‌های production آماده است. ...

Post Cover Image

مقدمه‌ای بر GPT-4o

مدل GPT-4o (“o” به معنای “omni”) برای پردازش ترکیبی از ورودی‌های متن، صوت و ویدیو طراحی شده است و می‌تواند خروجی‌هایی در قالب متن، صوت و تصویر تولید کند. قبل از GPT-4o، کاربران می‌توانستند با استفاده از حالت صوتی ChatGPT که با سه مدل جداگانه کار می‌کرد، تعامل داشته باشند. GPT-4o این قابلیت‌ها را در یک مدل واحد که بر روی متن، تصویر و صوت آموزش دیده است، یکپارچه می‌کند. ...

Post Cover Image

سیستم سوال و جواب با embeddings

مدل‌های GPT با درکی که از زبان طبیعی دارند قدرت فهم سوالات و جواب دادن به آنها را دارند. ولی اگر بخواهیم که GPT به سوالات در مورد موضوعات ناآشنا پاسخ دهد، باید چه کار کنید؟ مثال‌هایی از موضوعات ناآشنا: رویدادهای اخیر پس از سپتامبر 2021 اسناد شخصی شما اطلاعات مربوط به محصولات فروشگاه شما پاسخگویی به سوالات مشتریان در مورد خدمات شرکت شما و غیره. این notebook نشان می‌دهد که چگونه با استفاده از روش دو مرحله‌ای جستجو-پرسش، GPT را قادر به پاسخگویی به سوالات با استفاده از دیتابیس اطلاعات متنی که غالبا در حالت عادی در دسترس مدل قرار ندارد کنیم. ...

Post Cover Image

ساخت چت‌ بات مبتنی بر RAG با استفاده از LangChain

در این پست یک مثال از نحوه طراحی و پیاده‌سازی یک چت‌بات با استفاده از یک RAG را بررسی خواهیم کرد. این چت‌بات قادر به انجام مکالمه و به خاطر سپاری تعاملات قبلی است. در این مثال می‌خواهیم از قابلیت های عامل (Agent) و Chains که از طریق پکیج LangChain قابل دسترس هستند استفاده کنیم. آماده سازی محیط # برای این آموزش به langchain-core و langgraph نیاز خواهیم داشت: ...

Post Cover Image

فراخوانی توابع توسط مدل

این notebook نحوه استفاده از API Chat Completions را در ترکیب با توابع خارجی برای گسترش قابلیت های مدل های GPT را نشان می دهد. پارامتر tools یک پارامتر اختیاری در API Chat Completion است که می تواند برای ارائه مشخصات تابع استفاده شود. هدف از این امر فراهم کردن امکان تولید آرگومان های تابعی است که با مشخصات ارائه شده مطابقت دارند. توجه داشته باشید که API هیچ تابعی را اجرا نمی کند٬ بلکه مشخصات تابعی که متناسب با متن ورودی است را تعیین می‌کند و این بر عهده توسعه دهندگان است که با استفاده از خروجی های مدل توابع را اجرا کنند. ...

Post Cover Image

ساخت یک Chatbot Agent با Node.js

قابلیت فراخوانی تابع در مدل‌های GPT به برنامه شما اجازه می دهد توابع داخلی برنامه را بر اساس ورودی های کاربر فراخوانی کند. این به این معنی است که برنامه می تواند عملیات مختلفی از جمله، جستجو در وب، ارسال ایمیل، یا رزرو بلیط از طرف کاربران را انجام دهد، که این امر برنامه شما را قدرتمندتر از یک چت بات معمولی می کند. در این پست، شما برنامه‌ای می سازید که از آخرین نسخه از OpenAI SDK Node. ...

Post Cover Image

ساخت چت‌باتی برای تعامل با Amazon S3

این کد نحوه تعامل با توابع ChatGPT برای انجام کارهای مرتبط با Amazon S3 buckets را نشان می‌دهد. این notebook شامل عملکردهای کلیدی S3 bucket مانند اجرای دستورات ساده برای لیست کردن٬ جستجوی یک فایل خاص در تمامی buckets، آپلود یک فایل به یک bucket، و دانلود یک فایل از یک bucket است. Chat API این قابلیت را دارد که دستورات کاربر را درک کند، پاسخ‌های زبان طبیعی تولید کند و توابع مناسب را بر اساس ورودی کاربر انتخاب ‌کند. ...

Post Cover Image

شمردن تعداد توکن‌ها با tiktoken

پکیج tiktoken یک توکن ساز سریع و open source است که توسط OpenAI توسعه پیدا کرده است. با دادن یک رشته متن (مثلاً، “tiktoken is great!”) و یک encoding (مثلاً، “cl100k_base”)، یک توکن ساز می تواند رشته متن را به یک لیست از توکن ها تقسیم کند (مثلاً، [“t”, “ik”, “token”, " is", " great", “!”]). تقسیم کردن رشته های متن به توکن ها مفید است زیرا مدل های GPT متن را به صورت توکن می بینند. ...

Post Cover Image

استریم کردن خروجی تولید متن

به طور پیش فرض، هنگامی که شما از Gilas API درخواست تولید متن می کنید، کل متن تولید شده در یک رسپانس به کلاینت برگردانده می شود. اگر قصد تولید خروجی‌های طولانی را دارید٬ تولید متن می تواند چندین ثانیه طول بکشد. برای دریافت سریعتر پاسخ ها٬ می توانید متن را در حالی که تولید می شود stream کنید. در این صورت پاسخ های ناتمام را به صورت استریم از سمت سرور دریافت خواهید کرد. ...

Post Cover Image

فرمت‌ ورودی و خروجی داده ها

مدل‌های چت، یگ سری از پیام‌ها را به عنوان ورودی می‌پذیرند و یک پیام نوشته شده توسط AI را به عنوان خروجی برمی‌گردانند. این راهنما با چند نمونه فراخوانی API فرمت چت را نشان می‌دهد. برای اجرای کدهای زیر ابتدا باید یک کلید API را از طریق پنل کاربری گیلاس تولید کنید. برای این کار ابتدا یک حساب کاربری جدید بسازید یا اگر صاحب حساب کاربری هستید وارد پنل کاربری خود شوید. ...

Post Cover Image

تولید خروجی‌های یکسان با پارامتر seed

توسعه‌دهندگان اکنون می‌توانند پارامتر seed را در درخواست‌های Chat Completion استفاده کنند تا خروجی‌های نسبتاً ثابتی دریافت کنند. لطفاً توجه داشته باشید که این ویژگی در مرحله بتا است و در حال حاضر فقط برای مدلهای gpt-4-1106-preview و gpt-3.5-turbo-1106 و مدل‌های بعد از آنها پشتیبانی می‌شود. خروجی API‌های Chat Completions و Completions به طور پیش‌فرض غیر قطعی هستند (که به این معناست که خروجی‌های مدل ممکن است از درخواست به درخواست متفاوت باشند)، اما اکنون با استفاده از چند پارامتر در سطح مدل، می‌توانید خروجی‌ها را تا حدی کنترل کنید. ...