DeepSeek OCR 2 převádí obrázek dokumentu a textový pokyn na textový výsledek. Jeho hlavní publikované prompty zahrnují prosté OCR a převod dokumentu do Markdown s informacemi o vazbě na obrazový podklad. Druhá edice zavádí DeepEncoder V2 a vizuální kauzální tok: enkodér se před interpretací jazykovým dekodérem učí pořadí čtení utvářené obsahem obrázku. To je zvláště významné u stránek se sloupci, tabulkami, vzorci a nelineárním rozvržením.
Architektura a pořadí čtení. Model zachovává strukturu enkodéru a dekodéru. DeepEncoder V2 nahrazuje komponentu CLIP předchozího enkodéru kompaktním enkodérem ve stylu jazykového modelu. Vizuální tokeny mohou zaměřovat pozornost napříč obrázkem, zatímco naučené kauzální dotazy postupně organizují informace do sekvence pro dekodér. Návrh řeší rozdíl mezi dvourozměrným rozvržením stránky a jednorozměrným pořadím potřebným pro generování jejího textu.
Příprava obrázku a rozlišení. Výchozí režim dynamického rozlišení výrobce používá jeden globální pohled 1024 × 1024 a nula až šest lokálních pohledů 768 × 768. Globální pohled vytváří 256 vizuálních tokenů a každý lokální pohled přidává 144, což v popsaném nastavení dává 256–1 120 tokenů na obrázek. Jde o publikovaná nastavení zpracování modelem, nikoli požadavek ručně rozřezat každou stránku na takový počet dílů. Poskytněte čitelný obrázek zachovávající hranice stránky a vztahy mezi nadpisy, sloupci a tabulkami.
Enkodér zahrnuje vizuální tokenizér založený na SAM s konvoluční kompresí a kompaktní enkodér inicializovaný z Qwen2 0.5B. Dekodérem zůstává model mixture-of-experts 3B z první edice OCR s přibližně 500 miliony aktivních parametrů. Trénink postupuje přes přípravu enkodéru, zdokonalování dotazů a specializaci dekodéru; v konečné fázi se enkodér zafixuje a aktualizuje se dekodér. Tato revize klade důraz na lepší vizuální logiku čtení při zachování komprimovaných obrazových reprezentací.
Zvolte výstupní úlohu. Prosté OCR se soustředí na rozpoznaný text bez rozvržení. Prompt pro Markdown požaduje převod dokumentu s informacemi o rozvržení, což usnadňuje použití výsledku v postupu zpracování textu. U zprávy nebo odborného článku může výsledný výstup uchovat čitelné oddíly, v nichž pak vyhledáváte, které shrnujete nebo používáte jako referenční materiál. U tabulky před extrakcí číselných polí zkontrolujte, zda převod zachoval vztahy mezi řádky a sloupci.
U souboru stránek připravte obrázky v původním pořadí a u každého výstupu uchovejte identifikátor stránky. Oficiální projekt popisuje postupy OCR obrázků i zpracování PDF včetně ukládání výsledků a zrychlené inference. Vykreslování stránek, iterace a sestavení jsou odpovědností okolního procesu. Rozpoznaný výstup udržujte oddělený od následného shrnutí, aby bylo možné chybu extrakce dohledat ke zdrojové stránce.
Kontrola dokumentu. Výzkum zkoumá text, vzorce, tabulky a pořadí čtení a uvádí zvlášť husté novinové stránky jako oblast, která zůstává obtížná. Uchovejte nejčitelnější zdrojový obrázek a ověřte drobný text, záhlaví tabulek, dolní indexy a rozhodující hodnoty podle originálu. Je-li pasáž nečitelná, obstarejte lepší sken nebo cílený pohled zachovávající dostatek okolního rozvržení k určení její role. Před považováním výstupu za úplný záznam také zkontrolujte opakování nebo vynechané oddíly.
OCR 2 dodává rozpoznané materiály pro další úlohu. Navazující požadavek pak může extrahovat pole, vytvořit prohledávatelnou poznámku nebo zodpovědět otázku z převedeného textu. Výrobce popisuje optické čtení dokumentů jako současné zaměření; širší vizuální uvažování a další modality jsou směry výzkumu. Při volbě této edice ponechte očekávaný výstup konkrétně zaměřený na rozpoznávání a převod dokumentů.
", "aboutText": "DeepSeek OCR 2 převádí obrázek dokumentu a textový pokyn na textový výsledek. Jeho hlavní publikované prompty zahrnují prosté OCR a převod dokumentu do Markdown s informacemi o vazbě na obrazový podklad. Druhá edice zavádí DeepEncoder V2 a vizuální kauzální tok: enkodér se před interpretací jazykovým dekodérem učí pořadí čtení utvářené obsahem obrázku. To je zvláště významné u stránek se sloupci, tabulkami, vzorci a nelineárním rozvržením.\n\nArchitektura a pořadí čtení. Model zachovává strukturu enkodéru a dekodéru. DeepEncoder V2 nahrazuje komponentu CLIP předchozího enkodéru kompaktním enkodérem ve stylu jazykového modelu. Vizuální tokeny mohou zaměřovat pozornost napříč obrázkem, zatímco naučené kauzální dotazy postupně organizují informace do sekvence pro dekodér. Návrh řeší rozdíl mezi dvourozměrným rozvržením stránky a jednorozměrným pořadím potřebným pro generování jejího textu.\n\nPříprava obrázku a rozlišení. Výchozí režim dynamického rozlišení výrobce používá jeden globální pohled 1024 × 1024 a nula až šest lokálních pohledů 768 × 768. Globální pohled vytváří 256 vizuálních tokenů a každý lokální pohled přidává 144, což v popsaném nastavení dává 256–1 120 tokenů na obrázek. Jde o publikovaná nastavení zpracování modelem, nikoli požadavek ručně rozřezat každou stránku na takový počet dílů. Poskytněte čitelný obrázek zachovávající hranice stránky a vztahy mezi nadpisy, sloupci a tabulkami.\n\nEnkodér zahrnuje vizuální tokenizér založený na SAM s konvoluční kompresí a kompaktní enkodér inicializovaný z Qwen2 0.5B. Dekodérem zůstává model mixture-of-experts 3B z první edice OCR s přibližně 500 miliony aktivních parametrů. Trénink postupuje přes přípravu enkodéru, zdokonalování dotazů a specializaci dekodéru; v konečné fázi se enkodér zafixuje a aktualizuje se dekodér. Tato revize klade důraz na lepší vizuální logiku čtení při zachování komprimovaných obrazových reprezentací.\n\nZvolte výstupní úlohu. Prosté OCR se soustředí na rozpoznaný text bez rozvržení. Prompt pro Markdown požaduje převod dokumentu s informacemi o rozvržení, což usnadňuje použití výsledku v postupu zpracování textu. U zprávy nebo odborného článku může výsledný výstup uchovat čitelné oddíly, v nichž pak vyhledáváte, které shrnujete nebo používáte jako referenční materiál. U tabulky před extrakcí číselných polí zkontrolujte, zda převod zachoval vztahy mezi řádky a sloupci.\n\nU souboru stránek připravte obrázky v původním pořadí a u každého výstupu uchovejte identifikátor stránky. Oficiální projekt popisuje postupy OCR obrázků i zpracování PDF včetně ukládání výsledků a zrychlené inference. Vykreslování stránek, iterace a sestavení jsou odpovědností okolního procesu. Rozpoznaný výstup udržujte oddělený od následného shrnutí, aby bylo možné chybu extrakce dohledat ke zdrojové stránce.\n\nKontrola dokumentu. Výzkum zkoumá text, vzorce, tabulky a pořadí čtení a uvádí zvlášť husté novinové stránky jako oblast, která zůstává obtížná. Uchovejte nejčitelnější zdrojový obrázek a ověřte drobný text, záhlaví tabulek, dolní indexy a rozhodující hodnoty podle originálu. Je-li pasáž nečitelná, obstarejte lepší sken nebo cílený pohled zachovávající dostatek okolního rozvržení k určení její role. Před považováním výstupu za úplný záznam také zkontrolujte opakování nebo vynechané oddíly.\n\nOCR 2 dodává rozpoznané materiály pro další úlohu. Navazující požadavek pak může extrahovat pole, vytvořit prohledávatelnou poznámku nebo zodpovědět otázku z převedeného textu. Výrobce popisuje optické čtení dokumentů jako současné zaměření; širší vizuální uvažování a další modality jsou směry výzkumu. Při volbě této edice ponechte očekávaný výstup konkrétně zaměřený na rozpoznávání a převod dokumentů.", "editorialOverlay": { "copy_fields": { "practical_html": "Technický příklad v angličtině
Structure supplied OCR text\n\nOrganize this already-transcribed page text as Markdown; do not claim to inspect an image. "STOCK COUNT / Item | Count / Washers | 18 / Bolts | 7 / Note: bolt count needs recount." Preserve the heading, table relationships and note. Do not silently correct the uncertain count or turn this into a summary.A Markdown heading, two-column table and separate note preserving the supplied wording and numbers.Verify that the bolt recount note remains attached to the table and both counts are retained.deepseek/deepseek-ocr-2Druhý OCR model DeepSeek převádí obrázky dokumentů na text nebo Markdown zohledňující rozvržení. Jeho DeepEncoder V2 organizuje vizuální informace podle logiky čtení a podporuje stránky kombinující text, vzorce, tabulky a složité rozvržení.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
DeepSeek OCR 2 převádí obrázek dokumentu a textový pokyn na textový výsledek. Jeho hlavní publikované prompty zahrnují prosté OCR a převod dokumentu do Markdown s informacemi o vazbě na obrazový podklad. Druhá edice zavádí DeepEncoder V2 a vizuální kauzální tok: enkodér se před interpretací jazykovým dekodérem učí pořadí čtení utvářené obsahem obrázku. To je zvláště významné u stránek se sloupci, tabulkami, vzorci a nelineárním rozvržením.
Architektura a pořadí čtení. Model zachovává strukturu enkodéru a dekodéru. DeepEncoder V2 nahrazuje komponentu CLIP předchozího enkodéru kompaktním enkodérem ve stylu jazykového modelu. Vizuální tokeny mohou zaměřovat pozornost napříč obrázkem, zatímco naučené kauzální dotazy postupně organizují informace do sekvence pro dekodér. Návrh řeší rozdíl mezi dvourozměrným rozvržením stránky a jednorozměrným pořadím potřebným pro generování jejího textu.
Příprava obrázku a rozlišení. Výchozí režim dynamického rozlišení výrobce používá jeden globální pohled 1024 × 1024 a nula až šest lokálních pohledů 768 × 768. Globální pohled vytváří 256 vizuálních tokenů a každý lokální pohled přidává 144, což v popsaném nastavení dává 256–1 120 tokenů na obrázek. Jde o publikovaná nastavení zpracování modelem, nikoli požadavek ručně rozřezat každou stránku na takový počet dílů. Poskytněte čitelný obrázek zachovávající hranice stránky a vztahy mezi nadpisy, sloupci a tabulkami.
Enkodér zahrnuje vizuální tokenizér založený na SAM s konvoluční kompresí a kompaktní enkodér inicializovaný z Qwen2 0.5B. Dekodérem zůstává model mixture-of-experts 3B z první edice OCR s přibližně 500 miliony aktivních parametrů. Trénink postupuje přes přípravu enkodéru, zdokonalování dotazů a specializaci dekodéru; v konečné fázi se enkodér zafixuje a aktualizuje se dekodér. Tato revize klade důraz na lepší vizuální logiku čtení při zachování komprimovaných obrazových reprezentací.
Zvolte výstupní úlohu. Prosté OCR se soustředí na rozpoznaný text bez rozvržení. Prompt pro Markdown požaduje převod dokumentu s informacemi o rozvržení, což usnadňuje použití výsledku v postupu zpracování textu. U zprávy nebo odborného článku může výsledný výstup uchovat čitelné oddíly, v nichž pak vyhledáváte, které shrnujete nebo používáte jako referenční materiál. U tabulky před extrakcí číselných polí zkontrolujte, zda převod zachoval vztahy mezi řádky a sloupci.
U souboru stránek připravte obrázky v původním pořadí a u každého výstupu uchovejte identifikátor stránky. Oficiální projekt popisuje postupy OCR obrázků i zpracování PDF včetně ukládání výsledků a zrychlené inference. Vykreslování stránek, iterace a sestavení jsou odpovědností okolního procesu. Rozpoznaný výstup udržujte oddělený od následného shrnutí, aby bylo možné chybu extrakce dohledat ke zdrojové stránce.
Kontrola dokumentu. Výzkum zkoumá text, vzorce, tabulky a pořadí čtení a uvádí zvlášť husté novinové stránky jako oblast, která zůstává obtížná. Uchovejte nejčitelnější zdrojový obrázek a ověřte drobný text, záhlaví tabulek, dolní indexy a rozhodující hodnoty podle originálu. Je-li pasáž nečitelná, obstarejte lepší sken nebo cílený pohled zachovávající dostatek okolního rozvržení k určení její role. Před považováním výstupu za úplný záznam také zkontrolujte opakování nebo vynechané oddíly.
OCR 2 dodává rozpoznané materiály pro další úlohu. Navazující požadavek pak může extrahovat pole, vytvořit prohledávatelnou poznámku nebo zodpovědět otázku z převedeného textu. Výrobce popisuje optické čtení dokumentů jako současné zaměření; širší vizuální uvažování a další modality jsou směry výzkumu. Při volbě této edice ponechte očekávaný výstup konkrétně zaměřený na rozpoznávání a převod dokumentů.
POST /v1/chat/completionstexttext| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity deepseek/deepseek-ocr-2 | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity Minimální počet položek: 1 | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity Příklady: system, user, assistant, tool, function Podmínky: Tyto role jsou výslovně zastoupeny typy kompatibility zdrojového kódu; přesná sada rolí zůstává specifická pro daný model. Závisí na modelu | Výchozí— |
Polemessages[].content | Typstring|content_part[]|null | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].tool_calls | Typtool_call[] | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].tool_call_id | Typstring | PožadavekVolitelné | Hodnoty a limity Platí, když: role=tool; použijte skutečně vrácené ID | Výchozí— |
Polemessages[].name | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].reasoning_content | Typstring | PožadavekVolitelné | Hodnoty a limity Platí, když: Předávejte zpět skutečně vrácené uvažování tam, kde je tento model používá | Výchozí— |
Polemessages[].reasoning_details | Typobject|array | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polemax_tokens | Typinteger | PožadavekVolitelné | Hodnoty a limity Minimum: 1 Závisí na modelu | Výchozí— |
Polemax_completion_tokens | Typinteger | PožadavekVolitelné | Hodnoty a limity Minimum: 1 Závisí na modelu | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Polestream_options.include_usage | Typboolean | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletemperature | Typnumber | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletop_p | Typnumber | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polestop | Typstring|string[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletools | Typfunction_tool[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletools[].type | Typstring | PožadavekVolitelné | Hodnoty a limity function Závisí na modelu | Výchozí— |
Poletools[].function.name | Typstring | PožadavekPovinné | Hodnoty a limity Platí, když: nástroj typu funkce je dodán | Výchozí— |
Poletools[].function.description | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poletools[].function.parameters | TypJSON_schema | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poletool_choice | Typstring|object | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleparallel_tool_calls | Typboolean | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleresponse_format | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polereasoning_effort | Typstring | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polereasoning | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleservice_tier | Typstring | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleinstructions | Typstring | PožadavekVolitelné | Hodnoty a limity Pole kompatibility | Výchozí— |
Polefunctions | Typfunction[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polefunction_call | Typstring|object | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleprompt_cache_options | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polemodalities | Typstring[] | PožadavekVolitelné | Hodnoty a limity text | Výchozí— |
Poleprovider | Typobject | PožadavekVolitelné | Hodnoty a limity Podmínky: provider.options je na této textové trase Ultra odmítáno | Výchozí— |
Polecache_control.ttl | Typstring | PožadavekVolitelné | Hodnoty a limity Podmínky: Hodnota 1h je ve skutečných umístěních mezipaměti promptů odmítána | Výchozí— |
Text · text UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontraktpole zpráv se strukturou role/content |
Parametrfile_material | Kontraktskutečný dokument UTF-8 vložený jako doslovný text; ID souboru se neodvozuje |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktspecifické pro model; nástroje uživatelských funkcí se liší od hostovaných nástrojů |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Životní cyklus: synchronous_or_streamed
Odešlete přesné ID modelu spolu s messages.
Délka kontextu není limitem výstupu.
Textový soubor může dodat doslovný text; obrazové/zvukové vstupy a vstupy v podobě souborových objektů vyžadují přesnou vazbu.
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
| Konfigurace | Tabulka sazeb | Poplatek |
|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Poplatek Vstup · Vstupní tokeny $0.000062 / 1K tokenů Výstup · Výstupní tokeny $0.000062 / 1K tokenů Vstup · Čtení z mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "deepseek/deepseek-ocr-2", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='deepseek/deepseek-ocr-2',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='deepseek/deepseek-ocr-2',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte každou volbu a její obsah/volání nástrojů/uvažování. V SSE sestavujte přírůstky podle indexu volby/nástroje a zachovejte konečný důvod ukončení i údaje o využití.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra deepseek/deepseek-ocr-2
Použijte cesty metod uvedené výše.
deepseek/deepseek-ocr-2Druhý OCR model DeepSeek převádí obrázky dokumentů na text nebo Markdown zohledňující rozvržení. Jeho DeepEncoder V2 organizuje vizuální informace podle logiky čtení a podporuje stránky kombinující text, vzorce, tabulky a složité rozvržení.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
DeepSeek OCR 2 převádí obrázek dokumentu a textový pokyn na textový výsledek. Jeho hlavní publikované prompty zahrnují prosté OCR a převod dokumentu do Markdown s informacemi o vazbě na obrazový podklad. Druhá edice zavádí DeepEncoder V2 a vizuální kauzální tok: enkodér se před interpretací jazykovým dekodérem učí pořadí čtení utvářené obsahem obrázku. To je zvláště významné u stránek se sloupci, tabulkami, vzorci a nelineárním rozvržením.
Architektura a pořadí čtení. Model zachovává strukturu enkodéru a dekodéru. DeepEncoder V2 nahrazuje komponentu CLIP předchozího enkodéru kompaktním enkodérem ve stylu jazykového modelu. Vizuální tokeny mohou zaměřovat pozornost napříč obrázkem, zatímco naučené kauzální dotazy postupně organizují informace do sekvence pro dekodér. Návrh řeší rozdíl mezi dvourozměrným rozvržením stránky a jednorozměrným pořadím potřebným pro generování jejího textu.
Příprava obrázku a rozlišení. Výchozí režim dynamického rozlišení výrobce používá jeden globální pohled 1024 × 1024 a nula až šest lokálních pohledů 768 × 768. Globální pohled vytváří 256 vizuálních tokenů a každý lokální pohled přidává 144, což v popsaném nastavení dává 256–1 120 tokenů na obrázek. Jde o publikovaná nastavení zpracování modelem, nikoli požadavek ručně rozřezat každou stránku na takový počet dílů. Poskytněte čitelný obrázek zachovávající hranice stránky a vztahy mezi nadpisy, sloupci a tabulkami.
Enkodér zahrnuje vizuální tokenizér založený na SAM s konvoluční kompresí a kompaktní enkodér inicializovaný z Qwen2 0.5B. Dekodérem zůstává model mixture-of-experts 3B z první edice OCR s přibližně 500 miliony aktivních parametrů. Trénink postupuje přes přípravu enkodéru, zdokonalování dotazů a specializaci dekodéru; v konečné fázi se enkodér zafixuje a aktualizuje se dekodér. Tato revize klade důraz na lepší vizuální logiku čtení při zachování komprimovaných obrazových reprezentací.
Zvolte výstupní úlohu. Prosté OCR se soustředí na rozpoznaný text bez rozvržení. Prompt pro Markdown požaduje převod dokumentu s informacemi o rozvržení, což usnadňuje použití výsledku v postupu zpracování textu. U zprávy nebo odborného článku může výsledný výstup uchovat čitelné oddíly, v nichž pak vyhledáváte, které shrnujete nebo používáte jako referenční materiál. U tabulky před extrakcí číselných polí zkontrolujte, zda převod zachoval vztahy mezi řádky a sloupci.
U souboru stránek připravte obrázky v původním pořadí a u každého výstupu uchovejte identifikátor stránky. Oficiální projekt popisuje postupy OCR obrázků i zpracování PDF včetně ukládání výsledků a zrychlené inference. Vykreslování stránek, iterace a sestavení jsou odpovědností okolního procesu. Rozpoznaný výstup udržujte oddělený od následného shrnutí, aby bylo možné chybu extrakce dohledat ke zdrojové stránce.
Kontrola dokumentu. Výzkum zkoumá text, vzorce, tabulky a pořadí čtení a uvádí zvlášť husté novinové stránky jako oblast, která zůstává obtížná. Uchovejte nejčitelnější zdrojový obrázek a ověřte drobný text, záhlaví tabulek, dolní indexy a rozhodující hodnoty podle originálu. Je-li pasáž nečitelná, obstarejte lepší sken nebo cílený pohled zachovávající dostatek okolního rozvržení k určení její role. Před považováním výstupu za úplný záznam také zkontrolujte opakování nebo vynechané oddíly.
OCR 2 dodává rozpoznané materiály pro další úlohu. Navazující požadavek pak může extrahovat pole, vytvořit prohledávatelnou poznámku nebo zodpovědět otázku z převedeného textu. Výrobce popisuje optické čtení dokumentů jako současné zaměření; širší vizuální uvažování a další modality jsou směry výzkumu. Při volbě této edice ponechte očekávaný výstup konkrétně zaměřený na rozpoznávání a převod dokumentů.
POST /v1/messagestextjson, sse| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity deepseek/deepseek-ocr-2 | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity user, assistant | Výchozí— |
Polemessages[].content | Typstring | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemax_tokens | Typinteger | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Text · text UTF-8
řetězec messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktPřečtěte skutečný dokument UTF-8 a vložte jeho text do uvedeného pole input nebo do řetězce obsahu zprávy. |
Životní cyklus: synchronous_or_streamed
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
| Konfigurace | Tabulka sazeb | Poplatek |
|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Poplatek Vstup · Vstupní tokeny $0.000062 / 1K tokenů Výstup · Výstupní tokeny $0.000062 / 1K tokenů Vstup · Čtení z mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti $0 / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
{\n "model": "deepseek/deepseek-ocr-2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-ocr-2', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'deepseek/deepseek-ocr-2', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte všechny bloky obsahu, podpisy uvažování a skutečná ID použití nástrojů. Sestavte všechny přírůstky bloků SSE; první textový blok není úplný výstup.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra deepseek/deepseek-ocr-2
Použijte cesty metod uvedené výše.
Technický příklad v angličtině
Structure supplied OCR text\n\nOrganize this already-transcribed page text as Markdown; do not claim to inspect an image. "STOCK COUNT / Item | Count / Washers | 18 / Bolts | 7 / Note: bolt count needs recount." Preserve the heading, table relationships and note. Do not silently correct the uncertain count or turn this into a summary.A Markdown heading, two-column table and separate note preserving the supplied wording and numbers.Verify that the bolt recount note remains attached to the table and both counts are retained.