انتخاب مدل Gemini از ایران؛ نمونه کد چت، تحلیل تصویر و Embedding

هر بار که یک تیم ایرانی می‌خواهد صدها صفحه سند را یک‌جا به مدل بدهد، یا میلیون‌ها رکورد را با کمترین هزینه دسته‌بندی کند، نام Gemini وسط می‌آید: پنجرهٔ زمینهٔ حدود یک میلیون توکنی، مدل‌های Flash که از تقریباً هر رقیب هم‌رده‌ای ارزان‌ترند و خواندن تصویر در همان درخواست. و هر بار همان دیوار: Google AI Studio و Vertex AI به کاربران ایرانی سرویس نمی‌دهند، حساب Google Cloud به کارت بین‌المللی نیاز دارد و فراخوانی از IP ایرانی رد می‌شود. این راهنما راه قانونی رسیدن به همین مدل‌ها را نشان می‌دهد: API جمینای با پرداخت تومانی، از راه یک درگاه سازگار با OpenAI، با نمونه کد برای چت، سندهای طولانی، تحلیل تصویر و Embedding.

اگر هنوز کلید ندارید، قیمت تومانی هر مدل و حداقل شارژ اعتبار را در API جمینای (Gemini) با پرداخت تومانی ببینید؛ این‌جا سراغ انتخاب مدل و نوشتن کد می‌رویم.

مدل‌های Gemini در یک نگاه

اعداد زیر نرخ رسمی Google برای هر یک میلیون توکن در زمان نگارش است و فقط برای مقایسهٔ نسبی می‌آید؛ قیمت تومانی هر مدل در صفحهٔ مدل‌ها لحظه‌ای درج می‌شود. ستون اول همان رشته‌ای است که در فیلد model می‌گذارید: نسل ۲٫۵ از مسیر OpenRouter صدا زده می‌شود و نسل‌های تازه‌تر مسیر مستقیم گوگل دارند.

تقریباً همهٔ مدل‌های چت این خانواده پنجرهٔ زمینهٔ حدود یک میلیون توکنی دارند؛ یعنی چیزی در حدود ۷۰۰ هزار کلمهٔ انگلیسی یا چند صد صفحهٔ فارسی در یک درخواست. این عدد را با ۱۲۸ تا ۴۰۰ هزار توکن رقبا مقایسه کنید تا بفهمید چرا برای کار با اسناد، Gemini جای خودش را دارد.

چرا از ایران به Gemini دسترسی نداریم و راه‌حل چیست

Google برای API جمینای، کشور حساب و IP درخواست‌دهنده را بررسی می‌کند و ایران در فهرست پشتیبانی نیست. API هوش مصنوعی نِت اَرز این محدودیت را با یک درگاه حل می‌کند: شما با قالب استاندارد OpenAI درخواست می‌فرستید، درگاه آن را به Google می‌رساند و پاسخ را برمی‌گرداند. اعتبار به تومان خریده می‌شود (حداقل ۱۰۰ هزار تومان به‌علاوهٔ ۹ درصد مالیات)، کلید با پیشوند sk-ntz-v1- از پنل گرفته می‌شود و از داخل ایران بدون تغییر IP کار می‌کند. همان کلید به مدل‌های OpenAI و DeepSeek و به مسیر OpenRouter (از جمله مدل‌های Claude) هم وصل است؛ پس اگر جایی Gemini جواب نداد، با تغییر نام مدل به گزینهٔ دیگری می‌روید.

چت با Gemini از طریق OpenAI SDK

from openai import OpenAI

client = OpenAI(base_url="https://netarz.ir/api/ai/v1", api_key="sk-ntz-v1-...")

response = client.chat.completions.create(
    model="openrouter/google/gemini-2.5-flash",
    messages=[
        {"role": "system", "content": "You are a concise assistant. Always answer in Persian."},
        {"role": "user", "content": "تفاوت بیمهٔ شخص ثالث و بدنه را در سه جمله توضیح بده."},
    ],
)

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

استریم با stream=True فعال می‌شود و برای Node.js، PHP یا هر زبان دیگر همان الگوی کتابخانهٔ OpenAI برقرار است؛ نمونه‌های بیشتر در مستندات فنی آمده است.

پنجرهٔ یک میلیون توکنی؛ چه کارهایی ممکن می‌شود

سه کاربرد که با مدل‌های دیگر یا ممکن نیست یا به مهندسی پیچیدهٔ تکه‌تکه کردن نیاز دارد: خواندن یک قرارداد یا آیین‌نامهٔ کامل و پاسخ به سؤال‌های دقیق دربارهٔ آن، تحلیل کل رونوشت یک جلسهٔ چندساعته یا مجموعهٔ تیکت‌های یک ماه، و بازبینی یک پایگاه کد متوسط در یک درخواست. کافی است متن را (مثلاً محتوای استخراج‌شده از PDF) داخل پیام کاربر بگذارید و سؤال را در انتها بنویسید.

دو هشدار عملی. اول، زمینهٔ بزرگ یعنی هزینهٔ بزرگ: یک درخواست با ۵۰۰ هزار توکن ورودی با نرخ رسمی Flash حدود ۰٫۱۵ دلار تمام می‌شود که برای یک بار تحلیل ناچیز است، اما اگر همان سند را در هر پیام کاربر دوباره بفرستید، در صد گفتگو صد برابر می‌شود. سند را یک بار خلاصه یا فهرست‌بندی کنید و در گفتگوهای بعدی فقط بخش مرتبط را بفرستید. دوم، سقف حجم هر درخواست در درگاه محدود است؛ برای اسناد خیلی بزرگ متن را به چند بخش تقسیم کنید.

ورودی تصویر: تحلیل عکس و اسکرین‌شات

Gemini از ابتدا چندرسانه‌ای طراحی شده و تصویر را مثل متن می‌فهمد. با قالب استاندارد OpenAI، تصویر را به‌صورت آدرس یا رشتهٔ base64 در بخش image_url می‌فرستید:

import base64

with open("invoice.jpg", "rb") as f:
    data = base64.b64encode(f.read()).decode()

response = client.chat.completions.create(
    model="openrouter/google/gemini-2.5-flash",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "شمارهٔ فاکتور، تاریخ و مبلغ کل را به‌صورت JSON برگردان."},
            {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{data}"}},
        ],
    }],
)
print(response.choices[0].message.content)

خواندن فاکتور، رسید، جدول اسکن‌شده و اسکرین‌شات خطا از کاربردهای رایج این قابلیت است. اگر مدلی ورودی تصویر را نپذیرد، خطای شفاف می‌گیرید و چون درخواست ناموفق هزینه ندارد، امتحان کردن ضرری ندارد.

تولید تصویر: Imagen و جایگزینش روی درگاه

این یکی را صریح بگوییم: مدل imagen-4 در حال حاضر روی درگاه نِت اَرز فعال نیست و اگر آن را صدا بزنید خطای model_not_found می‌گیرید. مسیر images/generations با همان قالب OpenAI کار می‌کند، اما مدل‌های فعالش از خانوادهٔ تصویر OpenAI هستند. فهرست به‌روز و قیمت هر تصویر در صفحهٔ مدل‌ها است.

image = client.images.generate(
    model="gpt-image-1-mini",
    prompt="Minimal product photo of a ceramic coffee mug on a wooden table, soft morning light",
    n=1,
    size="1024x1024",
)
print(image.data[0].url or image.data[0].b64_json[:60])

در تجربهٔ ما پرامپت انگلیسی برای مدل‌های تصویری نتیجهٔ بهتری می‌دهد؛ اگر متن فارسی دارید، اول با یک مدل چت ارزان آن را به یک پرامپت انگلیسی توصیفی تبدیل کنید و بعد به مدل تصویر بدهید. برای مقایسهٔ ابزارهای تولید تصویر، Midjourney، DALL-E یا Flux را بخوانید.

Embedding برای جستجوی معنایی

vectors = client.embeddings.create(
    model="gemini-embedding-001",
    input=["شرایط بازگشت کالا چیست؟", "نحوهٔ پیگیری سفارش"],
)
print(len(vectors.data[0].embedding))

بردارها را در پایگاه دادهٔ برداری خودتان ذخیره کنید و هنگام جستجو، سؤال کاربر را با همان مدل به بردار تبدیل کنید. نکته: مدل Embedding را وسط پروژه عوض نکنید؛ بردارهای دو مدل مختلف با هم قابل مقایسه نیستند.

نکات عملی برای فارسی و خروجی ساخت‌یافته

Gemini در پیروی از قالب خروجی خوب عمل می‌کند، اما سه نکته کار را ساده‌تر می‌کند. اول، اگر پاسخ را در کد پردازش می‌کنید، از response_format با نوع JSON استفاده کنید و ساختار مورد انتظار را در پیام سیستم با یک نمونه نشان دهید؛ این ترکیب تقریباً همیشه خروجی قابل تجزیه می‌دهد. دوم، زبان پاسخ را صریح مشخص کنید؛ در پرامپت‌های چندزبانه (مثلاً سند انگلیسی و سؤال فارسی) بدون این دستور، پاسخ گاهی به زبان سند برمی‌گردد. سوم، Gemini فیلترهای ایمنی سخت‌گیرانه‌تری از بعضی رقبا دارد و ممکن است بعضی درخواست‌های حساس را رد کند؛ در این حالت خطای شفاف می‌گیرید، هزینه‌ای کم نمی‌شود و می‌توانید همان درخواست را به مدل دیگری پشت همان کلید بدهید.

الگوی ترکیبی: Gemini کنار بقیهٔ مدل‌ها

بهترین نتیجه‌ای که در پروژه‌های اسنادی دیده‌ایم از ترکیب مدل‌ها می‌آید، نه از یک مدل. چون همهٔ آن‌ها پشت یک کلید و یک اعتبار هستند، این معماری هیچ پیچیدگی حسابداری ندارد و گزارش مصرف به تفکیک مدل نشان می‌دهد هر بخش چقدر خرج می‌کند. یک خط لولهٔ نمونه:

• سند طولانی را با openrouter/google/gemini-2.5-flash بخوانید و از آن یک خلاصهٔ ساخت‌یافته یا فهرست نکات بگیرید.
• برای جستجوی معنایی روی مجموعهٔ اسناد، بردارها را با یک مدل Embedding ثابت بسازید و در پایگاه دادهٔ برداری نگه دارید.
• پاسخ نهایی به کاربر را که باید لحن دقیق و یکدستی داشته باشد، با مدلی مثل openrouter/anthropic/claude-sonnet-4.5 یا gpt-5-mini از روی همان خلاصه و قطعات بازیابی‌شده بسازید.
• کارهای ساده و انبوه (برچسب‌زنی، استخراج فیلد) را به openrouter/google/gemini-2.5-flash-lite بدهید تا هزینه پایین بماند.

مقایسهٔ قیمت همهٔ این مدل‌ها را در مقایسهٔ قیمت API مدل‌ها کنار هم گذاشته‌ایم.

هزینه؛ یک مثال واقعی

فرض کنید هر روز ۲۰۰ سند حدود ۲۰ هزار توکنی را خلاصه می‌کنید و هر خلاصه ۵۰۰ توکن است. ورودی روزانه ۴ میلیون توکن و ماهانه حدود ۱۲۰ میلیون توکن می‌شود؛ خروجی ماهانه حدود ۳ میلیون توکن. با نرخ رسمی Flash-Lite، هزینهٔ ورودی حدود ۱۲ دلار و خروجی حدود ۱٫۲ دلار است؛ با Flash حدود ۳۶ دلار به‌علاوهٔ ۷٫۵ دلار. یعنی خلاصه‌سازی ۶ هزار سند در ماه با مدل سبک، کمتر از ۱۵ دلار نرخ رسمی تمام می‌شود. قیمت تومانی نِت اَرز که هزینهٔ تأمین را شامل می‌شود در صفحهٔ مدل‌ها است و روش محاسبه را در راهنمای توکن و هزینه با مثال ریالی توضیح داده‌ایم.

Gemini Advanced یا API جمینای؟

اگر خودتان می‌خواهید در اپ Gemini با اسناد و Google Workspace کار کنید، اشتراک Google AI Pro مسیر درست است و در خرید Gemini Advanced از ایران توضیحش داده‌ایم. اما وقتی قرار است سندها به‌صورت خودکار پردازش شوند یا تصویر برای هر محصول ساخته شود، API تنها راه است. برای مقایسهٔ Gemini با ChatGPT از دید کاربر ایرانی، ChatGPT یا Gemini را بخوانید. اشتراک‌ها در دستهٔ اکانت هوش مصنوعی و API در صفحهٔ API هوش مصنوعی نِت اَرز در دسترس است.