برای استفاده از هوش مصنوعی، «خرید از یک شرکت ایرانی» و «اجرای مدل داخل ایران» دو موضوع متفاوت‌اند. ممکن است پرداخت تومانی باشد، اما درخواست برای پردازش به یک سرویس خارجی فرستاده شود. پاستا مدلهای GLM 5.3 و DeepSeek V4 Flash را روی زیرساخت داخل ایران اجرا میکند و دسترسی به آن‌ها را از طریق API ارائه می‌دهد. در این راهنما، روش انتخاب مسیر داخلی، اتصال برنامه، کنترل هزینه و ارزیابی نتیجه را توضیح می‌دهیم.
این مقاله در بلاگ پاستا منتشر شده و راهنمای محصول خود ماست، نه یک رتبه‌بندی مستقل. به اعلام پاستا، این عرضه نخستین ارائه این مدلهای بزرگ با میزبانی داخل ایران است؛ تقدم تاریخی در کل بازار در این مقاله به‌طور مستقل بررسی نشده است. مزیت قابل بررسی برای خریدار، محل اجرای مدل مشخص، شناسه آن و شرایط عملی استفاده است. برای شروع، مدلها و قیمت API هوش مصنوعی پاستا را مشاهده کنید.
API هوش مصنوعی با میزبانی ایران یعنی چه؟
مدل زبانی برای تولید پاسخ باید روی سخت‌افزار اجرا شود. در سرویس میزبانیشده، مدیریت این اجرا با ارائه‌دهنده است و برنامه شما درخواست را از طریق API می‌فرستد. برای استفاده از مدلهای داخلی پاستا لازم نیست خودتان GPU تهیه کنید یا نگهداری موتور اجرای مدل را بر عهده بگیرید. به یک حساب، کلید معتبر، انتخاب مدل و برنامه‌ای نیاز دارید که درخواست را به درگاه بفرستد.
در فهرست پاستا، مدلهای دارای نشان «میزبانیشده در ایران» و پیشوند Paasta را انتخاب کنید. این نشان به محل پردازش همان مدل اشاره دارد؛ داشتن حساب پاستا به‌تنهایی به این معنی نیست که تمام مدلهای کاتالوگ داخلی هستند. حتی اگر نام خانواده دو مدل یکسان باشد، شناسه متفاوت می‌تواند مسیر پردازش متفاوتی داشته باشد. برای الزام محل پردازش، شناسه را در تنظیمات برنامه ثابت کنید و تغییر آن را وارد فرایند بازبینی کنید.
شناسه GLM 5.3 و DeepSeek V4 Flash در پاستا
برای مسیر داخلی GLM از paasta/glm-5.3 و برای مسیر داخلی DeepSeek از paasta/deepseek-v4-flash استفاده کنید. نام نمایشی برای پیدا کردن مدل مفید است، اما در درخواست باید شناسه دقیق را بفرستید. وجود یک نام مشابه در ابزار کدنویسی، یا انتخاب خودکار مدل توسط آن ابزار، جای بررسی شناسه ارسالی را نمی‌گیرد.
GLM 5.3 را می‌توانید برای تحلیل کد، توضیح خطا و کارهای متنی مهندسی ارزیابی کنید. مستندات سازنده GLM 5.3 بر مهندسی نرم‌افزار و کارهای ایجنتی تمرکز دارد؛ این معرفی سازنده تضمین عملکرد یک استقرار خاص نیست. محدودیت زمینه، پارامترها و قابلیت‌های قابل استفاده در مسیر پاستا را از کاتالوگ و مستندات پاستا بخوانید، نه با انتقال مستقیم مشخصات سرویس اصلی به این مسیر.
برای DeepSeek هم همین دقت لازم است. سرویس اصلی DeepSeek نسخه V4.1 Flash را معرفی کرده است؛ وجود نسخه تازه در سرویس اصلی، شناسه داخلی paasta/deepseek-v4-flash را خودکار به آن نسخه تبدیل نمی‌کند. این مقاله درباره مسیر مشخص V4 Flash در پاستاست. پشتیبانی تصویر و ویدئو برای این مسیرهای داخلی اعلام نشده؛ ورودی چندرسانه‌ای را بر اساس قابلیت مدل دیگری ارسال نکنید.
چه پروژه‌هایی از این مدلها استفاده می‌کنند؟
یک دستیار پاسخ‌گویی به پرسش‌های متنی، تحلیل‌گر اسناد غیرمحرمانه یا ابزار توضیح کد می‌تواند با یک فراخوانی ساده شروع کند. ابتدا کار را محدود کنید: برای نمونه، از مدل بخواهید فقط علت احتمالی یک خطای برنامه و آزمون پیشنهادی برای بررسی آن را بنویسد. کیفیت پاسخ در این مسئله روشن‌تر از درخواست مبهم «کل پروژه را بهتر کن» قابل سنجش است.
در ایجنت هوش مصنوعی، مدل تنها یک جزء است. برنامه شما باید تصمیم بگیرد کدام ابزار اجرا شود، چه دسترسی‌هایی مجاز باشد و چه زمانی کار متوقف شود. برای ساخت ایجنت، از یک ابزار خواندنی و داده آزمایشی شروع کنید. دسترسی نوشتن در دیتابیس، انتشار کد یا پرداخت را صرفاً به دلیل پیشنهاد مدل فعال نکنید. راهنمای ایجنت هوش مصنوعی کمک میکند مرز بین مدل، حافظه و اجرای ابزار را مشخص کنید.
اگر هدف، استفاده روزانه در ابزار کدنویسی است، پیش از خرید API مصرفی، راهنمای اشتراک ماهانه کدنویسی با هوش مصنوعی را هم مطالعه کنید. اشتراک و API دو روش مصرف متفاوت‌اند. موجود بودن یک مدل در کاتالوگ عمومی به معنی حضور قطعی آن در تمام بسته‌های اشتراک نیست؛ مدلهای مجاز دوره خود را جدا بررسی کنید.
اتصال برنامه به API داخلی پاستا
در کنسول، مدل دارای نشان ایران را پیدا کنید، تعرفه ورودی و خروجی را بخوانید و ابتدا در Playground یک درخواست غیرحساس بفرستید. سپس برای برنامه کلید جدا با دسترسی محدود به مدل موردنیاز و سقف هزینه مناسب بسازید. کلید باید در محیط سرور نگهداری شود؛ قرار دادن آن در کد فرانت‌اند، مخزن عمومی یا تصویر آموزشی، دسترسی به حساب مصرف شما را در اختیار دیگران می‌گذارد.
نمونه زیر از بسته Python رسمی OpenAI برای مسیر سازگار Chat Completions استفاده میکند. بسته را در محیط مجازی پروژه نصب و متغیر PAASTA_API_KEY را از مخزن اسرار یا تنظیمات امن محیط تأمین کنید. مقدار واقعی کلید را در فایل نمونه ننویسید. اجرای درخواست، مصرف قابل محاسبه ایجاد میکند؛ آن را با داده کوتاه و سقف متناسب آزمایش کنید.
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ["PAASTA_API_KEY"],
base_url="https://console.paasta.cloud/api/ai/v1",
)
result = client.chat.completions.create(
model="paasta/deepseek-v4-flash",
messages=[{"role": "user", "content": "Explain an HTTP timeout briefly."}],
max_tokens=4096,
)
print(result.choices[0].message.content)
print(result.choices[0].finish_reason)
print(result.usage)این نمونه برای DeepSeek نوشته شده است. برای GLM، شناسه و پارامترهای مجاز همان مسیر را از مستندات مدلهای میزبانیشده در ایران و کاتالوگ جاری بگیرید. موفقیت یک درخواست کوتاه، تأیید همه قابلیت‌ها نیست؛ پیش از اتصال به محصول، پاسخ طولانی، ورودی نامعتبر، پایان ظرفیت و رفتار برنامه هنگام خطا را هم آزمایش کنید.
استدلال، پاسخ ناقص و هزینه خروجی در DeepSeek
مسیر داخلی DeepSeek در پاستا با استدلال اجرا می‌شود و توکنهای استدلال هم در خروجی قابل محاسبهاند. بنابراین تعداد کلمات پاسخ نهایی معیار کافی برای تخمین هزینه نیست. مقدار کم max_tokens می‌تواند پیش از آماده شدن پاسخ نهایی تمام شود. اگر نتیجه با finish_reason: length برگشت، پاسخ را کامل فرض نکنید؛ ورودی را محدودتر یا سقف خروجی را متناسب با بودجه اصلاح کنید.
در این مسیر، پاسخ نهایی و فراخوانی ابزار پس از کامل‌شدن و بررسی قالب ارسال میشوند. پس زمان رسیدن اولین پاسخ را مانند یک مدل ساده بدون استدلال پیش‌بینی نکنید. خروجی JSON بر پایه دستور متنی است و تضمین strict: true پشتیبانی نمی‌شود. داده خروجی را در برنامه اعتبارسنجی کنید و برای JSON نامعتبر مسیر خطای روشن داشته باشید؛ خروجی مدل نباید مستقیم تبدیل به عملیات حساس شود.
محل اجرای مدل با حریم خصوصی کل برنامه یکسان نیست
اجرای مدل در ایران یک ویژگی مشخص درباره پردازش مدل است. ابزار جست‌وجو، تحلیل خطا، ذخیره فایل یا سرویس دیگری که ایجنت فراخوانی میکند ممکن است جای دیگری کار کند. اگر الزام اقامت داده دارید، مسیر تمام اجزای برنامه را بررسی کنید. انتخاب مدل داخلی به‌تنهایی تضمین نمی‌کند که فایلها، لاگ‌ها و خروجی ابزارهای شما هیچ‌وقت از کشور خارج نشوند.
پیش از ارسال اطلاعات حساس، سیاست نگهداری، حذف داده، دسترسی پشتیبانی و مسئولیت هر طرف را بررسی کنید. در آزمون اولیه از داده ساختگی استفاده کنید. اطلاعات شناسایی مشتری، رمزها و کلیدهای سرویس را از ورودی حذف کنید و فقط بخشی از سند را بفرستید که پاسخ واقعاً به آن نیاز دارد. کاهش داده ورودی هم کنترل دسترسی را ساده‌تر میکند و هم می‌تواند مصرف را پایین بیاورد.
سرعت و کیفیت را چگونه بسنجیم؟
محل داخلی پردازش می‌تواند مسیر شبکه کاربر ایرانی تا سرویس را تغییر دهد، اما به‌تنهایی تضمین پاسخ سریع‌تر نیست. صف درخواست، طول ورودی، طول پاسخ و زمان استدلال روی تجربه اثر دارند. برای مقایسه، مجموعه‌ای ثابت از پرسش‌های واقعی پروژه آماده کنید و همان ورودی را با تنظیمات ثبت‌شده روی هر گزینه اجرا کنید. ساعت آزمایش و خطاها را هم ثبت کنید تا نتیجه فقط بهترین درخواست روز نباشد.
زمان پاسخ کامل، نرخ خطا، هزینه کل و کیفیت نتیجه را کنار هم قرار دهید. برای ابزار کدنویسی، معیار مفیدتر از تعداد خط تولیدشده، قبول شدن آزمون و زمان بازبینی انسانی است. در پاسخ‌گویی متنی، درستی پاسخ، ارجاع به منبع و پذیرش ندانستن را بررسی کنید. از یک نمونه موفق نتیجه نگیرید که مدل برای همه کارهای سازمان مناسب است؛ آزمون را بر اساس مسئله خودتان گسترش دهید.
ظرفیت، خطا و آماده‌سازی برای استفاده واقعی
طبق مستندات فعلی، پرشدن ظرفیت مسیر دارای نشان ایران با خطای محدودیت درخواست همراه می‌شود؛ مسیر خارجی خودکار جای آن را نمی‌گیرد. در برنامه خودتان هم اگر محل پردازش الزام است، fallback خارجی تعریف نکنید. تلاش مجدد باید محدود و با فاصله باشد. تکرار بی‌وقفه درخواست، ظرفیت را آزاد نمی‌کند و ممکن است صف برنامه خودتان را بزرگ‌تر کند.
برای ورود به محیط واقعی، یک درخواست سالم و یک ورودی خطادار را ثبت کنید، گزارش مصرف را با انتظار خود مقایسه کنید و مسیر لغو کلید را بشناسید. نسخه تنظیمات، شناسه مدل و تاریخ آزمون را کنار کد نگه دارید؛ کلید را نگه ندارید. اگر شرایط مدل یا ظرفیت تغییر کرد، همین آزمون کوچک به شما کمک میکند پیش از اثر گذاشتن روی کاربران، ناسازگاری را پیدا کنید.
پیش از انتخاب ارائه‌دهنده چه بپرسیم؟
بپرسید مدل دقیقاً کجا پردازش می‌شود، شناسه آن چیست، در زمان پرشدن ظرفیت چه اتفاقی می‌افتد و صورتحساب چه بخش‌هایی از مصرف را پوشش می‌دهد. پاسخ مستند به این پرسش‌ها برای تصمیم خرید مهم‌تر از واژه «داخلی» در یک تبلیغ است. در مقایسه ارائه‌دهندگان API هوش مصنوعی در ایران، انتخاب بر اساس کاربرد و قرارداد را توضیح داده‌ایم؛ نبود اطلاعات عمومی درباره یک رقیب به معنی نبود قابلیت نیست.
اگر محل اجرای مدل برای پروژه شما مهم است، مسیرهای Paasta را از کاتالوگ انتخاب کنید و آزمون را با مسئله واقعی خودتان شروع کنید. اگر نتیجه مطلوب بود، کلید محدود، سقف مصرف و مدیریت خطا را به برنامه اضافه کنید. خرید API باید بعد از شناخت مسیر و کیفیت قابل قبول انجام شود، نه بر اساس وعده عمومیِ بهترین یا سریع‌ترین بودن.