قیمت و API مدل Llama 3.1 70B Instruct در ایران
meta-llama/llama-3.1-70b-instruct
toolsjsonشارژ بر اساس مصرف واقعی همان درخواست. قیمتها با تغییر شرایط بازار بهروز میشوند.قیمتها و شارژ
کد آمادهٔ Llama 3.1 70B Instruct: فراخوانی ابزار (tool calling)
نمونه بر اساس قابلیتهای همین مدل انتخاب شده و با کلید خودت بدون تغییر دیگری اجرا میشود.
from openai import OpenAI
import json
client = OpenAI(base_url="https://api.uttapen.ir/v1", api_key="sk-up-…")
tools = [{
"type": "function",
"function": {
"name": "check_stock",
"description": "موجودی یک محصول را برمیگرداند",
"parameters": {
"type": "object",
"properties": {"sku": {"type": "string"}},
"required": ["sku"],
},
},
}]
messages = [{"role": "user", "content": "از کفش نایک مدل NK-42 چند تا موجوده؟"}]
first = client.chat.completions.create(model="meta-llama/llama-3.1-70b-instruct", messages=messages, tools=tools)
call = first.choices[0].message.tool_calls[0]
# تابع را خودت اجرا میکنی؛ مدل هیچ دسترسی مستقیمی به دیتابیس ندارد
args = json.loads(call.function.arguments)
result = {"sku": args["sku"], "qty": 7}
messages += [first.choices[0].message, {"role": "tool", "tool_call_id": call.id, "content": json.dumps(result)}]
final = client.chat.completions.create(model="meta-llama/llama-3.1-70b-instruct", messages=messages, tools=tools)
print(final.choices[0].message.content)import OpenAI from "openai";
const client = new OpenAI({ baseURL: "https://api.uttapen.ir/v1", apiKey: "sk-up-…" });
const tools = [{
type: "function",
function: {
name: "check_stock",
description: "موجودی یک محصول را برمیگرداند",
parameters: { type: "object", properties: { sku: { type: "string" } }, required: ["sku"] },
},
}];
const messages = [{ role: "user", content: "از کفش نایک مدل NK-42 چند تا موجوده؟" }];
const first = await client.chat.completions.create({ model: "meta-llama/llama-3.1-70b-instruct", messages, tools });
const call = first.choices[0].message.tool_calls[0];
const args = JSON.parse(call.function.arguments);
const result = { sku: args.sku, qty: 7 };
messages.push(first.choices[0].message, { role: "tool", tool_call_id: call.id, content: JSON.stringify(result) });
const final = await client.chat.completions.create({ model: "meta-llama/llama-3.1-70b-instruct", messages, tools });
console.log(final.choices[0].message.content);curl https://api.uttapen.ir/v1/chat/completions \
-H "Authorization: Bearer sk-up-…" \
-H "Content-Type: application/json" \
-d '{
"model": "meta-llama/llama-3.1-70b-instruct",
"messages": [{"role": "user", "content": "از کفش نایک مدل NK-42 چند تا موجوده؟"}],
"tools": [{
"type": "function",
"function": {
"name": "check_stock",
"parameters": {"type": "object", "properties": {"sku": {"type": "string"}}, "required": ["sku"]}
}
}]
}'Llama 3.1 70B Instruct برای چه کاری خوب است؟
شناسهٔ Llama 3.1 70B Instruct در API ما «meta-llama/llama-3.1-70b-instruct» است و تأمینکنندهٔ آن Meta است. ظرفیت context برابر ۱۳۱٬۰۷۲ توکن است؛ حدود ۹۸ هزار کلمهٔ فارسی جا میشود و بعد از آن باید تاریخچه را خلاصه کنی. حداکثر طول پاسخ در هر فراخوانی ۱۶٬۳۸۴ توکن است. از نظر قیمت در دستهٔ «بسیار ارزان» است — ارزانتر از ۷۱ مدل و گرانتر از ۳۳۵ مدل پولی دیگر کاتالوگ.
قابلیتهایی که در همین شناسه فعال است: tool calling دارد، یعنی میتواند تابعهای خودت را با آرگومان درست صدا بزند؛ با response_format خروجی JSON معتبر میدهد و مستقیم به کد وصل میشود. همهٔ اینها با همان پارامترهای استاندارد SDK رسمی OpenAI کار میکنند و کد اختصاصی لازم ندارند.
هر ۱ میلیون توکن ورودی ۱۱۶٬۰۵۰ تومان و هر ۱ میلیون توکن خروجی ۱۱۶٬۰۵۰ تومان است؛ خروجی 1 برابر ورودی قیمت دارد، پس کوتاهکردن پاسخ بیشتر از کوتاهکردن پرامپت صرفه دارد. شارژ نهایی همیشه بر اساس مصرف واقعی همان درخواست است، نه برآورد؛ درخواست ناموفق صفر تومان.
نزدیکترین گزینه با همین قابلیتها از تأمینکنندهٔ دیگر DeepSeek V3.2 است: Llama 3.1 70B Instruct تقریباً 1.2 برابر گرانتر از آن تمام میشود و پنجرهٔ context آن کوچکتر است. هر دو با همان کلید و همان کد کار میکنند، پس عوضکردنشان فقط تغییر یک رشته است.
برای اینکه عدد قابل تصور شود: با ۱۰۰ هزار تومان اعتبار، حدود ۳۳۱ درخواست ۱٬۰۰۰ کلمهای روی Llama 3.1 70B Instruct جا میشود، و هر ۱٬۰۰۰ تومان تقریباً ۳٬۳۱۱ کلمه رفتوبرگشت میخرد. اگر پردازشی یک میلیون توکن ورودی و یک میلیون توکن خروجی داشته باشد، کل آن ۲۳۲٬۱۰۰ تومان میشود. پر کردن کامل پنجرهٔ ۱۳۱٬۰۷۲ توکنی این مدل فقط از سمت ورودی ۱۵٬۲۱۱ تومان هزینه دارد، پس تاریخچهٔ گفتگو را بیدلیل بلند نگه ندار.
نزدیکترین همخانوادهٔ این مدل «meta-llama/llama-3.3-70b-instruct» است و انتخاب بین این دو همان جایی است که بیشتر آدمها گیر میکنند. روی یک درخواست ۱٬۰۰۰ کلمهای، این نسخه 1.9 برابر گرانتر از آن درمیآید (۳۰۲ در برابر ۱۵۸ تومان). در پارامترها آن یکی logprobs، top_logprobs را.
Meta در کاتالوگ ما ۸ مدل دارد؛ ارزانترینشان Llama 3.1 8B Instruct با ۴۹ تومان و گرانترین Llama 4 Maverick با ۳۳۸ تومان برای هر ۱٬۰۰۰ کلمه. از پارامترهای کمتکرار، این مدل logit_bias، min_p، repetition_penalty، top_k را میپذیرد — همه از طریق همان بدنهٔ استاندارد درخواست. در عوض include_reasoning، reasoning را که بیشتر مدلها دارند پشتیبانی نمیکند، پس اگر کدت به آنها تکیه دارد قبل از جابهجایی تست کن. از نظر اندازهٔ context نزدیکترین گزینه از تأمینکنندهٔ دیگر Aion-2.0 با ۱۳۱٬۰۷۲ توکن است.
بهترین جای استفادهاش: کار پرحجم مثل دستهبندی، برچسبگذاری و خلاصهسازی انبوه، ایجنتهایی که به API و دیتابیس وصل میشوند، استخراج داده با اسکیمای مشخص.
Meta's latest class of model (Llama 3.1) launched with a variety of sizes & flavors. This 70B instruct-tuned version is optimized for high quality dialogue usecases. It has demonstrated strong...
سه کار واقعی، با قیمت همین مدل
اعداد از همان قیمتهای بالا حساب شدهاند و با تغییر قیمت مدل تغییر میکنند.
| کار | توکن | هزینه |
|---|---|---|
| یک نوبت گفتگو با تاریخچهٔ متوسط | 1,500 ورودی + 400 خروجی | 220 تومان |
| خلاصهکردن سند دهصفحهای | 4,000 ورودی + 600 خروجی | 534 تومان |
| دستهبندی هزار ردیف کوتاه | 120,000 ورودی + 20,000 خروجی | 16,247 تومان |
سؤالهای پرتکرار
- چطور با Llama 3.1 70B Instruct در ایران کار کنم؟
- در یوتاپن ثبتنام کن، کیف پول را تومانی شارژ کن، کلید API بساز و در SDK رسمی OpenAI فقط base_url را به https://api.uttapen.ir/v1 و model را به «meta-llama/llama-3.1-70b-instruct» تغییر بده. بقیهٔ کدت دستنخورده میماند.
- قیمت Llama 3.1 70B Instruct به تومان چقدر است؟
- هر ۱ میلیون توکن ورودی ۱۱۶٬۰۵۰ تومان و هر ۱ میلیون توکن خروجی ۱۱۶٬۰۵۰ تومان؛ یک درخواست ۱٬۰۰۰ کلمهای تقریباً ۳۰۲ تومان. شارژ بر اساس مصرف واقعی همان درخواست است و درخواست ناموفق صفر تومان.
- Llama 3.1 70B Instruct چند توکن ورودی میگیرد؟
- تا ۱۳۱٬۰۷۲ توکن در هر درخواست؛ برای متن فارسی حدود ۹۸ هزار کلمه. حداکثر طول پاسخ هم ۱۶٬۳۸۴ توکن است.
- آیا Llama 3.1 70B Instruct استریم و tool calling را پشتیبانی میکند؟
- استریم (stream=true) روی همهٔ مدلها فعال است. این مدل tool calling را با همان قالب OpenAI پشتیبانی میکند. خروجی ساختیافته با response_format هم کار میکند.