GPT-5.6 Luna چیست؟ آموزش کامل استفاده از API مدل در درواره

GPT-5.6 Luna یکی از مدل‌های خانواده GPT-5.6 شرکت OpenAI است که برای اجرای درخواست‌های پرتعداد، حساس به هزینه و نیازمند پاسخ سریع طراحی شده است.

Luna قدرتمندترین مدل خانواده GPT-5.6 نیست. جایگاه آن متفاوت است: ارائه توانایی مناسب با هزینه و Latency کمتر برای کاربردهایی که باید هزاران یا میلیون‌ها درخواست را پردازش کنند.

برای مثال، ممکن است استفاده از قدرتمندترین مدل موجود برای تحلیل یک سند پیچیده یا برنامه‌ریزی یک پروژه چندمرحله‌ای منطقی باشد، اما برای دسته‌بندی پیام‌های پشتیبانی، استخراج اطلاعات محصول، تولید Metadata، خلاصه‌سازی کوتاه یا پردازش انبوه رکوردها معمولاً به چنین مدلی نیاز ندارید.

در این سناریوها، یک مدل سریع و اقتصادی مانند GPT-5.6 Luna می‌تواند انتخاب مناسب‌تری باشد.

طبق مستندات رسمی OpenAI، GPT-5.6 Luna برای Workloadهای پرتعداد و حساس به هزینه بهینه شده و تقریباً جایگاهی مشابه مدل‌های Nano در نسل‌های قبلی GPT-5 دارد. این مدل از ورودی متن و تصویر، خروجی متنی، Reasoning، Function Calling، Structured Outputs و Streaming پشتیبانی می‌کند. مشخصات رسمی GPT-5.6 Luna

در این راهنما قابلیت‌ها، کاربردها، محدودیت‌ها، روش انتخاب، پرامپت‌نویسی و اتصال GPT-5.6 Luna به API هوش مصنوعی درواره را بررسی می‌کنیم.

GPT-5.6 Luna چیست؟

GPT-5.6 Luna مدل سریع و اقتصادی خانواده GPT-5.6 است.

خانواده GPT-5.6 از سه مدل اصلی تشکیل شده است:

• GPT-5.6 Sol برای بالاترین سطح توانایی و مسئله‌های پیچیده
• GPT-5.6 Terra برای ایجاد تعادل میان توانایی، سرعت و هزینه
• GPT-5.6 Luna برای سرعت، مقیاس و هزینه کمتر

OpenAI، Luna را برای پردازش‌های حجیم و Cost-sensitive معرفی کرده است. این یعنی مدل برای وظایفی مناسب است که هر درخواست به‌تنهایی بسیار پیچیده نیست، اما تعداد درخواست‌ها زیاد است و هزینه کل اهمیت زیادی دارد.

نمونه این کاربردها عبارت‌اند از:

• دسته‌بندی تیکت‌های پشتیبانی
• استخراج اطلاعات از متن
• ساخت برچسب و Metadata
• خلاصه‌سازی کوتاه
• تحلیل اولیه بازخورد مشتری
• استانداردسازی اطلاعات محصولات
• تولید توضیحات کوتاه
• بررسی اولیه ورودی‌ها
• مسیریابی درخواست‌ها
• تبدیل متن به JSON
• پردازش انبوه فایل‌ها و رکوردها
• اجرای ابزارهای ساده در Agent
• پاسخ‌گویی پرتعداد در نرم‌افزارها

مشخصات اصلی GPT-5.6 Luna

مشخصات فوق براساس صفحه رسمی مدل در مستندات OpenAI تهیه شده است. قابلیت‌های قابل‌استفاده از طریق درواره به Model ID و سازگاری Endpoint انتخابی وابسته‌اند و باید پیش از استقرار نهایی آزمایش شوند.

تفاوت GPT-5.6 Luna با Sol و Terra

تفاوت اصلی مدل‌های خانواده GPT-5.6 را می‌توان در سه عامل خلاصه کرد:

• سطح توانایی
• سرعت
• هزینه

OpenAI اعلام کرده است که Luna سریع‌ترین و کم‌هزینه‌ترین گزینه خانواده GPT-5.6 است و برای استفاده در API، Codex و محیط Work ارائه می‌شود؛ اما در گفت‌وگوهای استاندارد ChatGPT مستقیماً از Model Picker قابل‌انتخاب نیست. راهنمای GPT-5.6 در ChatGPT

آیا GPT-5.6 Luna یک مدل ضعیف است؟

اقتصادی‌بودن یک مدل به معنای ضعیف‌بودن آن نیست.

Luna در مقایسه با مدل‌های بزرگ‌تر خانواده GPT-5.6 توانایی کمتری در سخت‌ترین مسئله‌های استدلالی و پروژه‌های بسیار طولانی دارد، اما همچنان از قابلیت‌هایی برخوردار است که آن را برای تعداد زیادی از کاربردهای Production مناسب می‌کنند:

• Context Window بسیار بزرگ
• پردازش تصویر
• Reasoning
• Function Calling
• Structured Outputs
• Streaming
• استفاده از ابزارها
• تولید پاسخ چندزبانه
• دنبال‌کردن قالب خروجی
• پردازش درخواست‌های پرتعداد

انتخاب مدل باید براساس «تناسب با وظیفه» انجام شود، نه براساس قدرتمندترین نام موجود.

برای مثال، اگر هدف استخراج نام محصول، قیمت و ویژگی‌ها از توضیحات فروشگاه باشد، استفاده از مدل گران‌تر لزوماً ارزش بیشتری ایجاد نمی‌کند. اگر Luna خروجی صحیح و ساختاریافته تولید کند، انتخاب مدل بزرگ‌تر فقط هزینه و زمان پردازش را افزایش می‌دهد.

مهم‌ترین کاربردهای GPT-5.6 Luna

دسته‌بندی تیکت‌های پشتیبانی

یکی از بهترین کاربردهای Luna، طبقه‌بندی تعداد زیادی پیام کوتاه است.

برای هر تیکت می‌توان این اطلاعات را استخراج کرد:

• موضوع
• دسته
• اولویت پیشنهادی
• زبان
• احساس کلی
• نیاز به پاسخ انسانی
• واحد مسئول
• خلاصه کوتاه

نمونه خروجی:

{
  "category": "billing",
  "priority": "medium",
  "language": "fa",
  "requires_human": true,
  "summary": "کاربر مبلغ پرداخت‌شده را در کیف پول مشاهده نمی‌کند."
}

مدل نباید به‌تنهایی درباره اولویت‌های حساس تصمیم قطعی بگیرد. قواعد کسب‌وکار باید پس از پاسخ مدل در کد برنامه اعمال شوند.

استخراج اطلاعات از متن

GPT-5.6 Luna می‌تواند متن نیمه‌ساختاریافته را به داده قابل‌استفاده تبدیل کند.

موارد استفاده:

• استخراج مشخصات محصول
• تبدیل رزومه به داده ساختاریافته
• استخراج اطلاعات فاکتور از متن OCR
• تشخیص تاریخ، شماره و عنوان
• استخراج موجودیت‌ها
• تبدیل ایمیل به رکورد CRM
• استخراج اقدام‌ها از صورت‌جلسه
• تبدیل فرم متنی به JSON

برای کاهش خطا بهتر است از Structured Outputs یا JSON Schema استفاده شود.

تولید Metadata

در وب‌سایت‌ها و سامانه‌های مدیریت محتوا می‌توان از Luna برای ساخت این موارد استفاده کرد:

• عنوان
• توضیح کوتاه
• Excerpt
• برچسب
• دسته‌بندی
• کلمات کلیدی
• Alt Text تصویر
• توضیحات محصول
• Meta Description
• خلاصه قابل‌نمایش در نتایج جست‌وجو

خروجی نهایی باید پیش از انتشار بررسی شود، به‌ویژه اگر محتوا مستقیماً به مشتری نمایش داده می‌شود.

تحلیل بازخورد مشتری

فرض کنید هزاران نظر، پیام یا پاسخ نظرسنجی در اختیار دارید. بررسی دستی آن‌ها زمان‌بر است.

Luna می‌تواند در مرحله اول این موارد را استخراج کند:

• موضوع اصلی
• نکته مثبت
• مشکل مطرح‌شده
• ویژگی موردانتظار
• شدت نارضایتی
• نام بخش محصول
• نیاز به پیگیری
• خلاصه یک‌جمله‌ای

پس از پردازش، نتایج می‌توانند در دیتابیس ذخیره و با ابزارهای تحلیلی بررسی شوند.

استانداردسازی اطلاعات محصول

فروشگاه‌ها معمولاً اطلاعات محصول را از منابع متفاوت دریافت می‌کنند. نام‌گذاری، واحد اندازه‌گیری و ساختار ویژگی‌ها ممکن است یکسان نباشد.

GPT-5.6 Luna می‌تواند به موارد زیر کمک کند:

• یکسان‌سازی نام ویژگی‌ها
• تبدیل واحدها
• حذف متن‌های تبلیغاتی اضافی
• ساخت توضیح کوتاه
• دسته‌بندی محصول
• استخراج برند و مدل
• تولید فهرست مشخصات
• تشخیص فیلدهای ناموجود

محاسبات قطعی مانند تبدیل واحد بهتر است در کد برنامه انجام شوند؛ مدل فقط باید مقدار و واحد را استخراج کند.

خلاصه‌سازی کوتاه

Luna برای خلاصه‌سازی تعداد زیادی متن کوتاه یا متوسط مناسب است:

• تیکت پشتیبانی
• ایمیل
• گزارش روزانه
• نظر مشتری
• مکالمه
• یادداشت جلسه
• توضیح محصول
• محتوای خبرنامه

برای سندهای پیچیده، تخصصی یا دارای تناقض، باید عملکرد Luna را با Terra یا Sol مقایسه کنید.

ترجمه در مقیاس بالا

برای ترجمه انبوه متن‌های نسبتاً ساده می‌توان از Luna استفاده کرد:

• توضیحات محصولات
• رابط کاربری
• پیام‌های سیستمی
• پرسش‌های متداول
• زیرنویس‌های کوتاه
• محتوای پشتیبانی
• متن‌های راهنما

بهتر است Glossary یا واژه‌نامه ثابتی در Prompt قرار داده شود تا اصطلاحات در تمام خروجی‌ها یکسان باشند.

مسیریابی درخواست‌ها

در یک معماری چندمدلی، Luna می‌تواند نقش Router را ایفا کند.

مدل ابتدا درخواست را تحلیل می‌کند و مشخص می‌کند:

• درخواست ساده است یا پیچیده؟
• به تصویر نیاز دارد؟
• به جست‌وجو نیاز دارد؟
• پاسخ باید ساختاریافته باشد؟
• کدام مدل مناسب‌تر است؟
• آیا درخواست به بررسی انسانی نیاز دارد؟

نمونه خروجی:

{
  "task_type": "document_analysis",
  "complexity": "high",
  "requires_vision": true,
  "requires_tools": false,
  "recommended_route": "advanced_model"
}

انتخاب نهایی مسیر باید با قواعد نرم‌افزار ترکیب شود. برای مثال، مدل نباید بتواند محدودیت بودجه یا مجوزهای تعریف‌شده را دور بزند.

پردازش تصویر

GPT-5.6 Luna از ورودی تصویری پشتیبانی می‌کند و می‌تواند برای موارد زیر استفاده شود:

• تشخیص نوع سند
• خواندن اسکرین‌شات
• استخراج اطلاعات جدول
• تولید Alt Text
• دسته‌بندی عکس محصول
• بررسی اولیه رابط کاربری
• تحلیل نمودار ساده
• استخراج ویژگی‌های قابل‌مشاهده

برای OCR دقیق، نمودارهای پیچیده یا داده‌های عددی حساس باید نتیجه با ابزار تخصصی یا بررسی انسانی اعتبارسنجی شود.

Context Window بیش از یک میلیون توکن چه معنایی دارد؟

GPT-5.6 Luna از Context Window برابر با ۱٬۰۵۰٬۰۰۰ توکن پشتیبانی می‌کند.

Context Window بزرگ به مدل اجازه می‌دهد حجم زیادی از متن، تاریخچه مکالمه یا داده‌های بازیابی‌شده را در یک درخواست پردازش کند.

این قابلیت می‌تواند برای موارد زیر مفید باشد:

• تحلیل مجموعه بزرگی از اسناد
• پردازش تاریخچه طولانی مکالمه
• بررسی فایل‌های متعدد
• دسته‌بندی براساس دستورالعمل مفصل
• استخراج اطلاعات از کاتالوگ بزرگ
• تحلیل بخشی از Codebase
• پردازش گزارش‌های تجمیعی

اما یک میلیون توکن نباید به هدف مصرف تبدیل شود. ارسال Context بزرگ‌تر می‌تواند:

• هزینه را افزایش دهد؛
• Latency را بیشتر کند؛
• تمرکز مدل را کاهش دهد؛
• اطلاعات متناقض بیشتری وارد پاسخ کند؛
• Debug کردن نتیجه را دشوارتر کند.

بهتر است از Retrieval و Chunking استفاده کنید و فقط اطلاعات مرتبط را به مدل بدهید.

محدودیت مهم Long Context در Luna

داشتن ظرفیت یک میلیون توکن به این معنا نیست که مدل در تمام نقاط Context با دقت یکسان عمل می‌کند.

براساس نتایج منتشرشده OpenAI، عملکرد Luna در برخی آزمون‌های بازیابی اطلاعات از Context بسیار طولانی از Sol و Terra پایین‌تر است. بنابراین اگر برنامه شما به یافتن چند نکته دقیق در میان صدها هزار توکن وابسته است، صرفاً به ظرفیت اسمی Context تکیه نکنید. معرفی خانواده GPT-5.6

برای چنین کاربردی:

1. اسناد را Chunk کنید.
2. از Embedding و جست‌وجوی برداری استفاده کنید.
3. نتایج مرتبط را با Keyword Search ترکیب کنید.
4. Metadata سند را حفظ کنید.
5. پاسخ را به منابع بازیابی‌شده محدود کنید.
6. Citation داخلی ایجاد کنید.
7. عملکرد را روی Dataset واقعی بسنجید.

Reasoning در GPT-5.6 Luna

GPT-5.6 Luna از Reasoning Token پشتیبانی می‌کند. یعنی مدل می‌تواند پیش از تولید پاسخ، پردازش استدلالی انجام دهد.

Reasoning برای موارد زیر مفید است:

• مقایسه چند گزینه
• حل مسئله چندمرحله‌ای
• تحلیل قواعد
• استخراج همراه با استنتاج
• برنامه‌ریزی
• انتخاب ابزار
• بررسی ناسازگاری‌ها
• تولید پاسخ براساس چند شرط

اما Reasoning بیشتر همیشه بهتر نیست. برای دسته‌بندی ساده، استخراج فیلد یا تولید Metadata، سطح پایین‌تر معمولاً کافی است.

قاعده عملی:

پارامترهای Reasoning و نحوه ارسال آن‌ها ممکن است بین Endpointها و پیاده‌سازی‌های سازگار متفاوت باشند. در API درواره فقط پارامترهایی را استفاده کنید که مدل و Endpoint انتخابی پشتیبانی می‌کنند.

Structured Outputs در GPT-5.6 Luna

GPT-5.6 Luna از Structured Outputs پشتیبانی می‌کند. این قابلیت برای دریافت خروجی منطبق با JSON Schema بسیار مهم است.

فرض کنید می‌خواهید اطلاعات یک محصول را استخراج کنید:

{
  "product_name": "هدفون بی‌سیم نمونه",
  "brand": "Example",
  "category": "headphones",
  "features": [
    "Bluetooth",
    "Noise cancellation"
  ],
  "missing_fields": [
    "battery_capacity"
  ]
}

بدون Structured Outputs ممکن است مدل:

• توضیح اضافی تولید کند؛
• نام فیلد را تغییر دهد؛
• یکی از کلیدها را حذف کند؛
• عدد را به رشته تبدیل کند؛
• JSON نامعتبر برگرداند.

Structured Outputs این مشکلات را کاهش می‌دهد، اما صحت معنایی اطلاعات را تضمین نمی‌کند. خروجی همچنان باید با قواعد برنامه اعتبارسنجی شود.

نمونه پرامپت استخراج اطلاعات

اطلاعات محصول را فقط از متن ورودی استخراج کن.

قواعد:
- اطلاعات ناموجود را حدس نزن.
- اگر یک فیلد در متن وجود ندارد، مقدار آن را null قرار بده.
- ویژگی‌های تبلیغاتی و مبهم را حذف کن.
- واحدها را دقیقاً همان‌طور که در متن آمده‌اند نگه دار.
- نام برند و مدل را از یکدیگر جدا کن.
- هیچ توضیحی خارج از JSON تولید نکن.

فیلدهای موردنیاز:
- product_name
- brand
- model
- category
- color
- dimensions
- weight
- features
- missing_fields

متن محصول:
[متن ورودی]

Function Calling و Tool Calling

GPT-5.6 Luna می‌تواند تابع‌های تعریف‌شده توسط برنامه را فراخوانی کند.

برای مثال، در یک دستیار فروشگاه می‌توان این ابزارها را تعریف کرد:

• جست‌وجوی محصول
• بررسی موجودی
• دریافت وضعیت سفارش
• محاسبه هزینه ارسال
• ثبت درخواست پشتیبانی

مدل تابع را اجرا نمی‌کند؛ فقط نام ابزار و آرگومان‌های موردنیاز را پیشنهاد می‌دهد. برنامه شما باید:

1. آرگومان‌ها را اعتبارسنجی کند.
2. مجوز کاربر را بررسی کند.
3. تابع واقعی را اجرا کند.
4. نتیجه را به مدل بازگرداند.
5. پاسخ نهایی را تولید کند.

Luna می‌تواند برای ابزارهای پرتکرار و نسبتاً ساده گزینه خوبی باشد. برای Workflowهای پیچیده با تصمیم‌های فراوان باید آن را با Terra و Sol مقایسه کرد.

پرامپت آماده برای دسته‌بندی تیکت‌ها

وظیفه تو دسته‌بندی تیکت پشتیبانی است.

دسته‌های مجاز:
- account
- billing
- technical
- feature_request
- general

اولویت‌های مجاز:
- low
- medium
- high

قواعد:
- فقط از دسته‌ها و اولویت‌های مجاز استفاده کن.
- در صورت ابهام، category را general قرار بده.
- اولویت high فقط زمانی مجاز است که سرویس اصلی کاربر متوقف شده باشد یا داده ارائه‌شده نشان‌دهنده اختلال گسترده باشد.
- احساس کاربر را با اولویت تیکت اشتباه نگیر.
- اطلاعات ناموجود را حدس نزن.
- خلاصه حداکثر ۲۰ کلمه باشد.

خروجی:
{
  "category": "...",
  "priority": "...",
  "summary": "...",
  "requires_human": true
}

تیکت:
[متن تیکت]

پرامپت آماده برای تحلیل بازخورد مشتری

بازخورد مشتری را به داده ساختاریافته تبدیل کن.

قواعد:
- فقط براساس متن مشتری پاسخ بده.
- از تفسیر بیش‌ازحد خودداری کن.
- اگر محصول یا قابلیت مشخص نیست، null بنویس.
- احساس منفی شدید را الزاماً به‌معنای مشکل بحرانی در نظر نگیر.
- پیشنهاد و شکایت را از یکدیگر جدا کن.

خروجی:
{
  "main_topic": "...",
  "sentiment": "positive | neutral | negative",
  "product_area": "...",
  "complaint": "...",
  "suggestion": "...",
  "requires_follow_up": true,
  "summary": "..."
}

بازخورد:
[متن مشتری]

پرامپت آماده برای تولید Metadata

براساس محتوای زیر Metadata تولید کن.

مخاطب:
[توضیح مخاطب]

لحن:
[رسمی، دوستانه یا فنی]

خروجی:
- title: حداکثر ۶۰ کاراکتر
- meta_description: حداکثر ۱۵۵ کاراکتر
- excerpt: حداکثر ۲۵۰ کاراکتر
- tags: حداکثر ۵ مورد
- image_alt: توصیف دقیق و کوتاه

قواعد:
- ادعای موجود در متن را بزرگ‌نمایی نکن.
- کلمه کلیدی را طبیعی استفاده کن.
- Keyword Stuffing انجام نده.
- اطلاعاتی را که در متن نیست اضافه نکن.
- هر فیلد را فقط یک بار تولید کن.

محتوا:
[محتوای اصلی]

پرامپت آماده برای ترجمه انبوه

متن را از [زبان مبدأ] به [زبان مقصد] ترجمه کن.

مخاطب:
[نوع مخاطب]

قواعد:
- ساختار پاراگراف‌ها را حفظ کن.
- نام برند و Model ID را تغییر نده.
- متغیرهایی مانند {{user_name}} و {order_id} را عیناً حفظ کن.
- از واژه‌نامه زیر پیروی کن.
- هیچ توضیحی قبل یا بعد از ترجمه ننویس.
- اگر عبارت مبهم است، ترجمه‌ای خنثی و وفادار انتخاب کن.

واژه‌نامه:
[فهرست اصطلاحات]

متن:
[متن ورودی]

اتصال GPT-5.6 Luna به API درواره

درواره امکان اتصال به مدل‌های مختلف هوش مصنوعی را از طریق یک API یکپارچه و سازگار با OpenAI فراهم می‌کند.

Base URL درواره:

https://api.darvareh.ir/v1

برای شروع به این موارد نیاز دارید:

• حساب کاربری درواره
• API Key
• موجودی حساب
• Model ID مدل
• SDK یا نرم‌افزار سازگار با OpenAI API

درواره یک اپلیکیشن چت آماده نیست؛ زیرساخت API است که توسعه‌دهندگان می‌توانند با آن مدل‌های هوش مصنوعی را به محصول، وب‌سایت، Agent، اتوماسیون یا نرم‌افزار خود متصل کنند.

نصب کتابخانه OpenAI در پایتون

pip install openai

API Key را در متغیر محیطی قرار دهید:

export DARVAREH_API_KEY="YOUR_API_KEY"

در Windows PowerShell:

$env:DARVAREH_API_KEY="YOUR_API_KEY"

اولین درخواست با پایتون

import os
from openai import OpenAI

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

response = client.chat.completions.create(
    model="YOUR_MODEL_ID",
    messages=[
        {
            "role": "system",
            "content": (
                "تو یک دستیار دقیق برای دسته‌بندی بازخورد مشتری هستی. "
                "اطلاعات ناموجود را حدس نزن."
            )
        },
        {
            "role": "user",
            "content": (
                "این بازخورد را در یک جمله خلاصه و موضوع آن را مشخص کن: "
                "پرداخت انجام شد اما موجودی حساب هنوز افزایش پیدا نکرده است."
            )
        }
    ],
    temperature=0.1
)

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

مقدار YOUR_MODEL_ID را با شناسه مدل در صفحه مدل‌های درواره جایگزین کنید.

اتصال با cURL

curl https://api.darvareh.ir/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "YOUR_MODEL_ID",
    "messages": [
      {
        "role": "system",
        "content": "اطلاعات ناموجود را حدس نزن و پاسخ را کوتاه بنویس."
      },
      {
        "role": "user",
        "content": "این متن را در یک جمله خلاصه کن: متن نمونه"
      }
    ],
    "temperature": 0.1
  }'

اتصال با Node.js

ابتدا کتابخانه را نصب کنید:

npm install openai

سپس:

import OpenAI from "openai";

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

const response = await client.chat.completions.create({
  model: "YOUR_MODEL_ID",
  messages: [
    {
      role: "system",
      content:
        "You classify customer messages. Do not invent missing information.",
    },
    {
      role: "user",
      content:
        "Classify this message: My payment succeeded but the balance was not updated.",
    },
  ],
  temperature: 0.1,
});

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

دریافت پاسخ Streaming

import os
from openai import OpenAI

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

stream = client.chat.completions.create(
    model="YOUR_MODEL_ID",
    messages=[
        {
            "role": "user",
            "content": "یک راهنمای کوتاه برای شروع کار با API بنویس."
        }
    ],
    stream=True
)

for chunk in stream:
    content = chunk.choices[0].delta.content

    if content:
        print(content, end="", flush=True)

Streaming هزینه درخواست را کاهش نمی‌دهد، اما زمان انتظار ادراکی کاربر را بهتر می‌کند.

نمونه پردازش فایل CSV

فرض کنید فایل feedback.csv دارای ستون text است و می‌خواهیم هر نظر را دسته‌بندی کنیم.

import csv
import json
import os
import time
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["DARVAREH_API_KEY"],
    base_url="https://api.darvareh.ir/v1",
    timeout=60.0
)

def analyze_feedback(text):
    response = client.chat.completions.create(
        model="YOUR_MODEL_ID",
        temperature=0.1,
        messages=[
            {
                "role": "system",
                "content": """
بازخورد را تحلیل کن و فقط JSON معتبر برگردان.

ساختار:
{
  "topic": "string",
  "sentiment": "positive | neutral | negative",
  "summary": "string"
}

اطلاعات ناموجود را حدس نزن.
"""
            },
            {
                "role": "user",
                "content": text
            }
        ]
    )

    return json.loads(response.choices[0].message.content)

with open("feedback.csv", encoding="utf-8") as source_file:
    reader = csv.DictReader(source_file)

    with open(
        "feedback_analyzed.csv",
        "w",
        encoding="utf-8",
        newline=""
    ) as output_file:

        fieldnames = [
            "text",
            "topic",
            "sentiment",
            "summary"
        ]

        writer = csv.DictWriter(
            output_file,
            fieldnames=fieldnames
        )

        writer.writeheader()

        for row in reader:
            try:
                result = analyze_feedback(row["text"])

                writer.writerow({
                    "text": row["text"],
                    "topic": result["topic"],
                    "sentiment": result["sentiment"],
                    "summary": result["summary"]
                })

            except Exception as error:
                writer.writerow({
                    "text": row["text"],
                    "topic": "processing_error",
                    "sentiment": "",
                    "summary": str(error)
                })

            time.sleep(0.2)

این نمونه برای آموزش ساده شده است. در محیط Production باید موارد زیر اضافه شوند:

• Structured Outputs
• Validation
• Retry کنترل‌شده
• Rate Limit
• ثبت شناسه درخواست
• ذخیره وضعیت پردازش
• Idempotency
• صف پردازش
• محدودیت طول ورودی
• تفکیک خطای موقت و دائمی

آیا برای پردازش انبوه باید درخواست‌ها را هم‌زمان ارسال کنیم؟

پردازش هم‌زمان می‌تواند سرعت کل کار را افزایش دهد، اما تعداد Thread یا Request نباید بدون محدودیت افزایش یابد.

باید این موارد را در نظر بگیرید:

• RPM یا تعداد درخواست در دقیقه
• TPM یا تعداد توکن در دقیقه
• ظرفیت صف
• محدودیت بودجه
• Timeout
• Retry
• اندازه هر ورودی
• زمان پاسخ مدل
• توانایی دیتابیس در ذخیره نتیجه

الگوی مناسب‌تر:

داده ورودی
↓
صف وظایف
↓
Workerهای محدود
↓
API درواره
↓
اعتبارسنجی خروجی
↓
ذخیره نتیجه
↓
صف بررسی موارد ناموفق

استفاده از Batch Processing

اگر پردازش فوری نیست، Batch می‌تواند گزینه مناسبی باشد؛ برای مثال:

• تحلیل شبانه بازخوردها
• ساخت Metadata برای کاتالوگ
• طبقه‌بندی آرشیو اسناد
• ترجمه مجموعه‌ای از محتواها
• پردازش اطلاعات قدیمی
• خلاصه‌سازی گزارش‌ها

پشتیبانی Batch به مدل و Endpoint بستگی دارد. پیش از طراحی Workflow، قابلیت‌های مدل انتخابی را در درواره بررسی کنید.

طراحی Fallback برای Luna

اگر Luna نتواند یک درخواست را با کیفیت کافی پردازش کند، می‌توان آن را به مدل قوی‌تری ارسال کرد.

الگوی ساده:

درخواست
↓
GPT-5.6 Luna
↓
اعتبارسنجی خروجی
↓
خروجی معتبر: ذخیره
خروجی نامعتبر یا پیچیده: ارسال به Terra یا Sol

معیارهای Fallback می‌توانند شامل این موارد باشند:

• JSON نامعتبر
• فیلد ضروری ناموجود
• پاسخ خارج از Schema
• درخواست پیچیده‌تر از محدوده Luna
• تناقض میان چند منبع
• نیاز به تحلیل چندمرحله‌ای
• شکست پس از Retry محدود
• علامت‌گذاری برای بررسی انسانی

Fallback نباید فقط براساس confidence تولیدشده توسط مدل انجام شود. Confidence متنی مدل لزوماً احتمال آماری کالیبره‌شده نیست.

روش انتخاب بین Luna، Terra و Sol

برای انتخاب مدل یک Dataset واقعی بسازید.

مثلاً اگر هدف دسته‌بندی تیکت است، حداقل چندصد نمونه واقعی و برچسب‌گذاری‌شده آماده کنید.

سپس این معیارها را اندازه‌گیری کنید:

در پایان، هزینه واقعی را این‌گونه محاسبه کنید:

هزینه واقعی هر خروجی پذیرفته‌شده = مجموع هزینه مدل، Retry و بازبینی تقسیم‌بر تعداد خروجی‌های تأییدشده

اگر Luna با هزینه کمتر به کیفیت موردنیاز می‌رسد، مدل مناسب‌تری است. اگر نرخ خطا یا Fallback زیاد باشد، Terra ممکن است در مجموع اقتصادی‌تر تمام شود.

کنترل هزینه GPT-5.6 Luna

Prompt را کوتاه اما دقیق نگه دارید

کوتاه‌کردن بیش‌ازحد Prompt ممکن است کیفیت را کاهش دهد. هدف حذف اطلاعات تکراری و غیرضروری است.

خروجی را محدود کنید

برای دسته‌بندی یا استخراج داده، پاسخ طولانی لازم نیست.

Context را بازیابی کنید

به‌جای ارسال تمام اسناد، فقط بخش‌های مرتبط را به مدل بدهید.

پاسخ‌های تکراری را Cache کنید

اگر بخش ثابت Prompt تکرار می‌شود، Prompt Caching می‌تواند در مدل و مسیر پشتیبانی‌شده مفید باشد.

درخواست‌ها را دسته‌بندی کنید

درخواست‌های ساده به Luna و موارد دشوار به مدل قوی‌تر ارسال شوند.

خروجی را قبل از Retry بررسی کنید

گاهی فقط یک فیلد نامعتبر است و می‌توان آن را با Validation یا قواعد قطعی اصلاح کرد.

محدودیت بودجه تعریف کنید

برای هر کاربر، پروژه، API Key یا Workflow سقف مصرف قرار دهید.

مدیریت خطا در پایتون

import os
import random
import time
from openai import (
    OpenAI,
    APIConnectionError,
    APITimeoutError,
    APIStatusError,
    RateLimitError,
)

client = OpenAI(
    api_key=os.environ["DARVAREH_API_KEY"],
    base_url="https://api.darvareh.ir/v1",
    timeout=60.0,
    max_retries=0
)

def request_with_retry(messages, attempts=3):
    for attempt in range(attempts):
        try:
            return client.chat.completions.create(
                model="YOUR_MODEL_ID",
                messages=messages,
                temperature=0.1
            )

        except (RateLimitError, APIConnectionError, APITimeoutError):
            if attempt == attempts - 1:
                raise

            delay = (2 ** attempt) + random.random()
            time.sleep(delay)

        except APIStatusError:
            raise

برای خطاهای دائمی مانند API Key نامعتبر، درخواست نامعتبر یا موجودی ناکافی نباید Retry خودکار و نامحدود انجام شود.

اشتباهات رایج در استفاده از GPT-5.6 Luna

انتخاب Luna فقط به‌دلیل قیمت کمتر

اگر کیفیت خروجی پایین باشد و هر درخواست چند بار Retry یا به مدل بزرگ‌تر منتقل شود، هزینه نهایی افزایش پیدا می‌کند.

استفاده برای سخت‌ترین مسئله‌ها

Luna برای پردازش پرتعداد بهینه شده است. برای مسئله‌های بسیار پیچیده، Sol یا Terra ممکن است انتخاب بهتری باشند.

پرکردن Context Window

ظرفیت زیاد به معنای ضرورت استفاده کامل از آن نیست.

درخواست JSON فقط با Prompt

عبارت «فقط JSON بده» قرارداد فنی محسوب نمی‌شود. در صورت پشتیبانی از Structured Outputs استفاده کنید.

اعتماد به خروجی بدون Validation

خروجی مدل باید از نظر Schema، نوع داده و قواعد کسب‌وکار بررسی شود.

استفاده از Temperature بالا برای استخراج

در استخراج و دسته‌بندی معمولاً به خروجی باثبات نیاز دارید. مقدار پایین‌تر برای شروع مناسب‌تر است.

نداشتن Dataset ارزیابی

چند نمونه دستی برای تصمیم Production کافی نیست.

ارسال داده حساس

اطلاعات حساس یا محرمانه را بدون بررسی شرایط پردازش و مجوزهای لازم ارسال نکنید.

نداشتن Fallback

برخی درخواست‌ها از محدوده توان یا تنظیمات Luna خارج هستند.

استفاده از شناسه مدل ثابت بدون بررسی

Model ID باید از صفحه مدل‌های درواره دریافت شود و قابلیت‌های آن پیش از انتشار بررسی شوند.

چک‌لیست استفاده در Production

• کاربرد Luna دقیقاً مشخص شده است.
• Dataset واقعی برای ارزیابی وجود دارد.
• مدل با حداقل یک گزینه دیگر مقایسه شده است.
• Model ID از درواره دریافت شده است.
• API Key در کد یا مرورگر قرار ندارد.
• ورودی‌ها محدود و پاک‌سازی می‌شوند.
• طول Prompt کنترل شده است.
• Context نامرتبط ارسال نمی‌شود.
• خروجی ساختاریافته اعتبارسنجی می‌شود.
• قواعد کسب‌وکار خارج از مدل اعمال می‌شوند.
• Timeout تعریف شده است.
• Retry محدود و دارای Backoff است.
• خطاهای دائمی Retry نمی‌شوند.
• Rate Limit مدیریت می‌شود.
• بودجه هر کاربر یا Workflow مشخص است.
• Fallback به مدل قوی‌تر تعریف شده است.
• موارد نامطمئن به بررسی انسانی منتقل می‌شوند.
• Latency و هزینه ثبت می‌شوند.
• نرخ خطا و Fallback مانیتور می‌شود.
• نسخه Prompt ثبت می‌شود.
• تغییر مدل با Eval بررسی می‌شود.
• داده حساس بدون کنترل ارسال نمی‌شود.

پرسش‌های متداول

GPT-5.6 Luna چیست؟

GPT-5.6 Luna مدل سریع و اقتصادی خانواده GPT-5.6 است که برای پردازش انبوه و Workloadهای حساس به هزینه طراحی شده است.

GPT-5.6 Luna برای چه کارهایی مناسب است؟

دسته‌بندی، استخراج اطلاعات، تولید Metadata، خلاصه‌سازی کوتاه، تحلیل بازخورد، استانداردسازی اطلاعات محصول، ترجمه انبوه، Routing و Agentهای پرترافیک از کاربردهای مناسب آن هستند.

تفاوت GPT-5.6 Luna و GPT-5.6 Terra چیست؟

Luna روی سرعت، مقیاس و هزینه کمتر تمرکز دارد. Terra تعادل بیشتری میان توانایی، سرعت و هزینه ارائه می‌دهد و برای مسئله‌های پیچیده‌تر مناسب‌تر است.

تفاوت GPT-5.6 Luna و GPT-5.6 Sol چیست؟

Sol قدرتمندترین مدل خانواده GPT-5.6 برای سخت‌ترین مسئله‌ها و Workflowهای طولانی است. Luna برای درخواست‌های پرتعداد و کم‌هزینه طراحی شده است.

Context Window مدل GPT-5.6 Luna چقدر است؟

طبق مستندات رسمی، Context Window آن ۱٬۰۵۰٬۰۰۰ توکن است و می‌تواند تا ۱۲۸٬۰۰۰ توکن خروجی تولید کند.

آیا GPT-5.6 Luna تصویر را تحلیل می‌کند؟

بله. این مدل از متن و تصویر به‌عنوان ورودی پشتیبانی می‌کند و خروجی متنی تولید می‌کند.

آیا GPT-5.6 Luna از Structured Outputs پشتیبانی می‌کند؟

بله. طبق مستندات رسمی، Structured Outputs و Function Calling در این مدل پشتیبانی می‌شوند. پشتیبانی مسیر موردنظر را پیش از استفاده در درواره آزمایش کنید.

آیا GPT-5.6 Luna از Fine-tuning پشتیبانی می‌کند؟

براساس مستندات رسمی در زمان نگارش، Fine-tuning برای این مدل ارائه نشده است.

آیا GPT-5.6 Luna در ChatGPT قابل‌انتخاب است؟

Luna در گفت‌وگوهای استاندارد ChatGPT از Model Picker قابل‌انتخاب نیست، اما در محصولات پشتیبانی‌شده مانند API، Codex و Work در دسترس قرار می‌گیرد.

آیا GPT-5.6 Luna برای زبان فارسی مناسب است؟

این مدل می‌تواند متن فارسی را پردازش و تولید کند، اما کیفیت آن باید روی کاربرد واقعی، اصطلاحات تخصصی و قالب موردنیاز شما ارزیابی شود.

آیا Luna ارزان‌ترین انتخاب برای همه پروژه‌هاست؟

خیر. اگر نرخ خطا، Retry یا Fallback زیاد باشد، مدل قدرتمندتر ممکن است هزینه واقعی کمتری برای هر خروجی موفق داشته باشد.

چگونه به GPT-5.6 Luna در درواره متصل شویم؟

با ساخت API Key، دریافت Model ID از صفحه مدل‌ها و تنظیم Base URL روی آدرس زیر می‌توانید از SDKهای سازگار استفاده کنید:

https://api.darvareh.ir/v1

قیمت GPT-5.6 Luna چقدر است؟

قیمت مدل‌ها ممکن است تغییر کند. برای مشاهده قیمت ورودی، خروجی و جزئیات به‌روز، صفحه مدل‌های درواره را بررسی کنید.

جمع‌بندی

GPT-5.6 Luna برای سناریویی طراحی شده است که در آن تعداد درخواست‌ها زیاد، سرعت مهم و کنترل هزینه ضروری است.

مهم‌ترین ویژگی‌های آن عبارت‌اند از:

• سرعت بالا
• هزینه کمتر در خانواده GPT-5.6
• Context Window برابر با ۱٬۰۵۰٬۰۰۰ توکن
• حداکثر خروجی تا ۱۲۸٬۰۰۰ توکن
• ورودی متن و تصویر
• Reasoning
• Streaming
• Function Calling
• Structured Outputs
• امکان استفاده در Workflowها و Agentها

Luna می‌تواند برای پردازش انبوه، استخراج داده، دسته‌بندی، تولید Metadata، تحلیل اولیه و Routing انتخاب مناسبی باشد. اما برای سخت‌ترین مسئله‌های چندمرحله‌ای، تحلیل بسیار پیچیده یا Agentهای طولانی باید عملکرد آن با Terra و Sol مقایسه شود.

اگر می‌خواهید GPT-5.6 Luna را به نرم‌افزار، وب‌سایت، چت‌بات، سیستم پردازش داده یا Agent خود متصل کنید، می‌توانید از API هوش مصنوعی درواره استفاده کنید.

Base URL درواره:

https://api.darvareh.ir/v1

برای مشاهده Model ID، قابلیت‌ها و قیمت به‌روز GPT-5.6 Luna و سایر مدل‌های هوش مصنوعی، به صفحه مدل‌های درواره مراجعه کنید.

مقالات مرتبط

• GPT-5.6 چیست؟ بررسی کامل نسل جدید مدل‌های OpenAI
• بهترین مدل هوش مصنوعی برای برنامه‌نویسی
• AI Router چیست؟ آموزش مسیریابی هوشمند مدل‌ها
• معماری چندمدلی و چندارائه‌دهنده هوش مصنوعی
• Structured Outputs چیست؟ آموزش دریافت خروجی JSON
• Batch API چیست؟ راهنمای پردازش انبوه درخواست‌ها
• Prompt Caching چیست؟ راهنمای کاهش هزینه API
• چگونه هزینه API هوش مصنوعی را محاسبه کنیم؟
• ساخت API هوش مصنوعی آماده Production
• OpenAI-Compatible API چیست؟

برای مطالعه شرایط استفاده و محدودیت‌های مسئولیت، صفحه «سلب مسئولیت» را مشاهده کنید.