DeepSeek OCR 2 wandelt ein Dokumentbild und eine Textanweisung in ein textliches Ergebnis um. Die wichtigsten veröffentlichten Prompts decken freie OCR und die Umwandlung eines Dokuments in Markdown mit Informationen zur Verankerung im Bild ab. Die zweite Edition führt DeepEncoder V2 und einen visuellen kausalen Fluss ein: Der Encoder lernt eine vom Bildinhalt bestimmte Lesereihenfolge, bevor der Sprachdecoder ihn interpretiert. Das ist besonders relevant für Seiten mit Spalten, Tabellen, Formeln und nichtlinearen Layouts.
Architektur und Lesereihenfolge. Das Modell behält eine Encoder-Decoder-Struktur bei. DeepEncoder V2 ersetzt die CLIP-Komponente des früheren Encoders durch einen kompakten Encoder nach Art eines Sprachmodells. Visuelle Tokens können Informationen aus dem gesamten Bild mittels Attention berücksichtigen; erlernte kausale Abfragen ordnen diese Informationen schrittweise zu einer Sequenz für den Decoder. Der Entwurf adressiert den Unterschied zwischen dem zweidimensionalen Seitenlayout und der eindimensionalen Reihenfolge, die für die Erzeugung des Textes benötigt wird.
Bildvorbereitung und Auflösung. Der standardmäßige Modus mit dynamischer Auflösung des Herstellers verwendet eine globale Ansicht mit 1024 × 1024 und null bis sechs lokale Ansichten mit 768 × 768. Die globale Ansicht erzeugt 256 visuelle Tokens, jede lokale Ansicht ergänzt 144; im beschriebenen Aufbau ergeben sich somit 256–1.120 Tokens pro Bild. Dies sind veröffentlichte Einstellungen der Modellverarbeitung und keine Aufforderung, jede Seite manuell in diese Anzahl von Teilen zu zerlegen. Stellen Sie ein lesbares Bild bereit, das die Seitenränder und die Beziehungen zwischen Überschriften, Spalten und Tabellen erhält.
Der Encoder enthält einen visuellen Tokenizer auf Basis von SAM mit Faltungskompression und einen kompakten Encoder, der aus Qwen2 0.5B initialisiert wird. Der Decoder bleibt das 3B-Mixture-of-Experts-Modell der ersten OCR-Edition mit rund 500 Millionen aktiven Parametern. Das Training führt über die Vorbereitung des Encoders, die Verbesserung der Abfragen und die Spezialisierung des Decoders; in der letzten Phase wird der Encoder fixiert und der Decoder aktualisiert. Der Schwerpunkt dieser Überarbeitung liegt auf einer besseren visuellen Leselogik bei weiterhin komprimierten Bildrepräsentationen.
Die Ausgabeaufgabe wählen. Freie OCR konzentriert sich auf den erkannten Text ohne Layout. Der Markdown-Prompt fordert eine Dokumentumwandlung mit Layoutinformationen an, wodurch sich das Ergebnis leichter in einer Textverarbeitungspipeline verwenden lässt. Bei einem Bericht oder einer wissenschaftlichen Arbeit kann das entstandene Arbeitsergebnis lesbare Abschnitte erhalten, die Sie anschließend durchsuchen, zusammenfassen oder als Referenzmaterial verwenden. Prüfen Sie bei einer Tabelle, ob die Beziehungen zwischen Zeilen und Spalten die Umwandlung überstanden haben, bevor Sie daraus Zahlenfelder extrahieren.
Bereiten Sie für eine Seitensammlung die Seitenbilder in der ursprünglichen Reihenfolge vor und bewahren Sie neben jeder Ausgabe eine Seitenkennung auf. Das offizielle Projekt beschreibt sowohl Workflows für Bild-OCR als auch für PDF-Verarbeitung, einschließlich Ergebnisspeicherung und beschleunigter Inferenz. Seitenrendering, Iteration und Zusammenstellung liegen in der Verantwortung des umgebenden Prozesses. Halten Sie das erkannte Ergebnis von späteren Zusammenfassungen getrennt, damit sich ein Extraktionsfehler auf seine Quellseite zurückführen lässt.
Dokumentprüfung. Die Forschung untersucht Text, Formeln, Tabellen und Lesereihenfolge und nennt besonders dichte Zeitungsseiten als weiterhin schwierigen Bereich. Bewahren Sie das klarste Quellbild auf und prüfen Sie kleine Schrift, Tabellenüberschriften, tiefgestellte Zeichen und entscheidende Werte anhand des Originals. Ist eine Passage unleserlich, beschaffen Sie einen besseren Scan oder eine gezielte Ansicht, die genügend umgebendes Layout erhält, um ihre Funktion zu bestimmen. Prüfen Sie die Ausgabe außerdem auf Wiederholungen oder ausgelassene Abschnitte, bevor Sie sie als vollständige Aufzeichnung behandeln.
OCR 2 liefert das erkannte Material für die nächste Aufgabe. Eine nachgelagerte Anfrage kann dann Felder extrahieren, eine durchsuchbare Notiz erstellen oder eine Frage aus dem umgewandelten Text beantworten. Der Hersteller nennt optisches Dokumentlesen als aktuellen Schwerpunkt; umfassenderes visuelles Schlussfolgern und zusätzliche Modalitäten sind Forschungsrichtungen. Beschränken Sie bei der Auswahl dieser Edition das erwartete Arbeitsergebnis auf Erkennung und Dokumentumwandlung.
", "aboutText": "DeepSeek OCR 2 wandelt ein Dokumentbild und eine Textanweisung in ein textliches Ergebnis um. Die wichtigsten veröffentlichten Prompts decken freie OCR und die Umwandlung eines Dokuments in Markdown mit Informationen zur Verankerung im Bild ab. Die zweite Edition führt DeepEncoder V2 und einen visuellen kausalen Fluss ein: Der Encoder lernt eine vom Bildinhalt bestimmte Lesereihenfolge, bevor der Sprachdecoder ihn interpretiert. Das ist besonders relevant für Seiten mit Spalten, Tabellen, Formeln und nichtlinearen Layouts.\n\nArchitektur und Lesereihenfolge. Das Modell behält eine Encoder-Decoder-Struktur bei. DeepEncoder V2 ersetzt die CLIP-Komponente des früheren Encoders durch einen kompakten Encoder nach Art eines Sprachmodells. Visuelle Tokens können Informationen aus dem gesamten Bild mittels Attention berücksichtigen; erlernte kausale Abfragen ordnen diese Informationen schrittweise zu einer Sequenz für den Decoder. Der Entwurf adressiert den Unterschied zwischen dem zweidimensionalen Seitenlayout und der eindimensionalen Reihenfolge, die für die Erzeugung des Textes benötigt wird.\n\nBildvorbereitung und Auflösung. Der standardmäßige Modus mit dynamischer Auflösung des Herstellers verwendet eine globale Ansicht mit 1024 × 1024 und null bis sechs lokale Ansichten mit 768 × 768. Die globale Ansicht erzeugt 256 visuelle Tokens, jede lokale Ansicht ergänzt 144; im beschriebenen Aufbau ergeben sich somit 256–1.120 Tokens pro Bild. Dies sind veröffentlichte Einstellungen der Modellverarbeitung und keine Aufforderung, jede Seite manuell in diese Anzahl von Teilen zu zerlegen. Stellen Sie ein lesbares Bild bereit, das die Seitenränder und die Beziehungen zwischen Überschriften, Spalten und Tabellen erhält.\n\nDer Encoder enthält einen visuellen Tokenizer auf Basis von SAM mit Faltungskompression und einen kompakten Encoder, der aus Qwen2 0.5B initialisiert wird. Der Decoder bleibt das 3B-Mixture-of-Experts-Modell der ersten OCR-Edition mit rund 500 Millionen aktiven Parametern. Das Training führt über die Vorbereitung des Encoders, die Verbesserung der Abfragen und die Spezialisierung des Decoders; in der letzten Phase wird der Encoder fixiert und der Decoder aktualisiert. Der Schwerpunkt dieser Überarbeitung liegt auf einer besseren visuellen Leselogik bei weiterhin komprimierten Bildrepräsentationen.\n\nDie Ausgabeaufgabe wählen. Freie OCR konzentriert sich auf den erkannten Text ohne Layout. Der Markdown-Prompt fordert eine Dokumentumwandlung mit Layoutinformationen an, wodurch sich das Ergebnis leichter in einer Textverarbeitungspipeline verwenden lässt. Bei einem Bericht oder einer wissenschaftlichen Arbeit kann das entstandene Arbeitsergebnis lesbare Abschnitte erhalten, die Sie anschließend durchsuchen, zusammenfassen oder als Referenzmaterial verwenden. Prüfen Sie bei einer Tabelle, ob die Beziehungen zwischen Zeilen und Spalten die Umwandlung überstanden haben, bevor Sie daraus Zahlenfelder extrahieren.\n\nBereiten Sie für eine Seitensammlung die Seitenbilder in der ursprünglichen Reihenfolge vor und bewahren Sie neben jeder Ausgabe eine Seitenkennung auf. Das offizielle Projekt beschreibt sowohl Workflows für Bild-OCR als auch für PDF-Verarbeitung, einschließlich Ergebnisspeicherung und beschleunigter Inferenz. Seitenrendering, Iteration und Zusammenstellung liegen in der Verantwortung des umgebenden Prozesses. Halten Sie das erkannte Ergebnis von späteren Zusammenfassungen getrennt, damit sich ein Extraktionsfehler auf seine Quellseite zurückführen lässt.\n\nDokumentprüfung. Die Forschung untersucht Text, Formeln, Tabellen und Lesereihenfolge und nennt besonders dichte Zeitungsseiten als weiterhin schwierigen Bereich. Bewahren Sie das klarste Quellbild auf und prüfen Sie kleine Schrift, Tabellenüberschriften, tiefgestellte Zeichen und entscheidende Werte anhand des Originals. Ist eine Passage unleserlich, beschaffen Sie einen besseren Scan oder eine gezielte Ansicht, die genügend umgebendes Layout erhält, um ihre Funktion zu bestimmen. Prüfen Sie die Ausgabe außerdem auf Wiederholungen oder ausgelassene Abschnitte, bevor Sie sie als vollständige Aufzeichnung behandeln.\n\nOCR 2 liefert das erkannte Material für die nächste Aufgabe. Eine nachgelagerte Anfrage kann dann Felder extrahieren, eine durchsuchbare Notiz erstellen oder eine Frage aus dem umgewandelten Text beantworten. Der Hersteller nennt optisches Dokumentlesen als aktuellen Schwerpunkt; umfassenderes visuelles Schlussfolgern und zusätzliche Modalitäten sind Forschungsrichtungen. Beschränken Sie bei der Auswahl dieser Edition das erwartete Arbeitsergebnis auf Erkennung und Dokumentumwandlung.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
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-2DeepSeeks zweites OCR-Modell wandelt Dokumentbilder in Text oder Markdown mit Layoutinformationen um. Sein DeepEncoder V2 ordnet visuelle Informationen nach der Leselogik und unterstützt Seiten, die Text, Formeln, Tabellen und komplexe Layouts kombinieren.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek OCR 2 wandelt ein Dokumentbild und eine Textanweisung in ein textliches Ergebnis um. Die wichtigsten veröffentlichten Prompts decken freie OCR und die Umwandlung eines Dokuments in Markdown mit Informationen zur Verankerung im Bild ab. Die zweite Edition führt DeepEncoder V2 und einen visuellen kausalen Fluss ein: Der Encoder lernt eine vom Bildinhalt bestimmte Lesereihenfolge, bevor der Sprachdecoder ihn interpretiert. Das ist besonders relevant für Seiten mit Spalten, Tabellen, Formeln und nichtlinearen Layouts.
Architektur und Lesereihenfolge. Das Modell behält eine Encoder-Decoder-Struktur bei. DeepEncoder V2 ersetzt die CLIP-Komponente des früheren Encoders durch einen kompakten Encoder nach Art eines Sprachmodells. Visuelle Tokens können Informationen aus dem gesamten Bild mittels Attention berücksichtigen; erlernte kausale Abfragen ordnen diese Informationen schrittweise zu einer Sequenz für den Decoder. Der Entwurf adressiert den Unterschied zwischen dem zweidimensionalen Seitenlayout und der eindimensionalen Reihenfolge, die für die Erzeugung des Textes benötigt wird.
Bildvorbereitung und Auflösung. Der standardmäßige Modus mit dynamischer Auflösung des Herstellers verwendet eine globale Ansicht mit 1024 × 1024 und null bis sechs lokale Ansichten mit 768 × 768. Die globale Ansicht erzeugt 256 visuelle Tokens, jede lokale Ansicht ergänzt 144; im beschriebenen Aufbau ergeben sich somit 256–1.120 Tokens pro Bild. Dies sind veröffentlichte Einstellungen der Modellverarbeitung und keine Aufforderung, jede Seite manuell in diese Anzahl von Teilen zu zerlegen. Stellen Sie ein lesbares Bild bereit, das die Seitenränder und die Beziehungen zwischen Überschriften, Spalten und Tabellen erhält.
Der Encoder enthält einen visuellen Tokenizer auf Basis von SAM mit Faltungskompression und einen kompakten Encoder, der aus Qwen2 0.5B initialisiert wird. Der Decoder bleibt das 3B-Mixture-of-Experts-Modell der ersten OCR-Edition mit rund 500 Millionen aktiven Parametern. Das Training führt über die Vorbereitung des Encoders, die Verbesserung der Abfragen und die Spezialisierung des Decoders; in der letzten Phase wird der Encoder fixiert und der Decoder aktualisiert. Der Schwerpunkt dieser Überarbeitung liegt auf einer besseren visuellen Leselogik bei weiterhin komprimierten Bildrepräsentationen.
Die Ausgabeaufgabe wählen. Freie OCR konzentriert sich auf den erkannten Text ohne Layout. Der Markdown-Prompt fordert eine Dokumentumwandlung mit Layoutinformationen an, wodurch sich das Ergebnis leichter in einer Textverarbeitungspipeline verwenden lässt. Bei einem Bericht oder einer wissenschaftlichen Arbeit kann das entstandene Arbeitsergebnis lesbare Abschnitte erhalten, die Sie anschließend durchsuchen, zusammenfassen oder als Referenzmaterial verwenden. Prüfen Sie bei einer Tabelle, ob die Beziehungen zwischen Zeilen und Spalten die Umwandlung überstanden haben, bevor Sie daraus Zahlenfelder extrahieren.
Bereiten Sie für eine Seitensammlung die Seitenbilder in der ursprünglichen Reihenfolge vor und bewahren Sie neben jeder Ausgabe eine Seitenkennung auf. Das offizielle Projekt beschreibt sowohl Workflows für Bild-OCR als auch für PDF-Verarbeitung, einschließlich Ergebnisspeicherung und beschleunigter Inferenz. Seitenrendering, Iteration und Zusammenstellung liegen in der Verantwortung des umgebenden Prozesses. Halten Sie das erkannte Ergebnis von späteren Zusammenfassungen getrennt, damit sich ein Extraktionsfehler auf seine Quellseite zurückführen lässt.
Dokumentprüfung. Die Forschung untersucht Text, Formeln, Tabellen und Lesereihenfolge und nennt besonders dichte Zeitungsseiten als weiterhin schwierigen Bereich. Bewahren Sie das klarste Quellbild auf und prüfen Sie kleine Schrift, Tabellenüberschriften, tiefgestellte Zeichen und entscheidende Werte anhand des Originals. Ist eine Passage unleserlich, beschaffen Sie einen besseren Scan oder eine gezielte Ansicht, die genügend umgebendes Layout erhält, um ihre Funktion zu bestimmen. Prüfen Sie die Ausgabe außerdem auf Wiederholungen oder ausgelassene Abschnitte, bevor Sie sie als vollständige Aufzeichnung behandeln.
OCR 2 liefert das erkannte Material für die nächste Aufgabe. Eine nachgelagerte Anfrage kann dann Felder extrahieren, eine durchsuchbare Notiz erstellen oder eine Frage aus dem umgewandelten Text beantworten. Der Hersteller nennt optisches Dokumentlesen als aktuellen Schwerpunkt; umfassenderes visuelles Schlussfolgern und zusätzliche Modalitäten sind Forschungsrichtungen. Beschränken Sie bei der Auswahl dieser Edition das erwartete Arbeitsergebnis auf Erkennung und Dokumentumwandlung.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek/deepseek-ocr-2 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.000062 / 1K Tokens Ausgabe · Ausgabetoken $0.000062 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra deepseek/deepseek-ocr-2
Verwenden Sie die oben angezeigten Methodenpfade.
deepseek/deepseek-ocr-2DeepSeeks zweites OCR-Modell wandelt Dokumentbilder in Text oder Markdown mit Layoutinformationen um. Sein DeepEncoder V2 ordnet visuelle Informationen nach der Leselogik und unterstützt Seiten, die Text, Formeln, Tabellen und komplexe Layouts kombinieren.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
DeepSeek OCR 2 wandelt ein Dokumentbild und eine Textanweisung in ein textliches Ergebnis um. Die wichtigsten veröffentlichten Prompts decken freie OCR und die Umwandlung eines Dokuments in Markdown mit Informationen zur Verankerung im Bild ab. Die zweite Edition führt DeepEncoder V2 und einen visuellen kausalen Fluss ein: Der Encoder lernt eine vom Bildinhalt bestimmte Lesereihenfolge, bevor der Sprachdecoder ihn interpretiert. Das ist besonders relevant für Seiten mit Spalten, Tabellen, Formeln und nichtlinearen Layouts.
Architektur und Lesereihenfolge. Das Modell behält eine Encoder-Decoder-Struktur bei. DeepEncoder V2 ersetzt die CLIP-Komponente des früheren Encoders durch einen kompakten Encoder nach Art eines Sprachmodells. Visuelle Tokens können Informationen aus dem gesamten Bild mittels Attention berücksichtigen; erlernte kausale Abfragen ordnen diese Informationen schrittweise zu einer Sequenz für den Decoder. Der Entwurf adressiert den Unterschied zwischen dem zweidimensionalen Seitenlayout und der eindimensionalen Reihenfolge, die für die Erzeugung des Textes benötigt wird.
Bildvorbereitung und Auflösung. Der standardmäßige Modus mit dynamischer Auflösung des Herstellers verwendet eine globale Ansicht mit 1024 × 1024 und null bis sechs lokale Ansichten mit 768 × 768. Die globale Ansicht erzeugt 256 visuelle Tokens, jede lokale Ansicht ergänzt 144; im beschriebenen Aufbau ergeben sich somit 256–1.120 Tokens pro Bild. Dies sind veröffentlichte Einstellungen der Modellverarbeitung und keine Aufforderung, jede Seite manuell in diese Anzahl von Teilen zu zerlegen. Stellen Sie ein lesbares Bild bereit, das die Seitenränder und die Beziehungen zwischen Überschriften, Spalten und Tabellen erhält.
Der Encoder enthält einen visuellen Tokenizer auf Basis von SAM mit Faltungskompression und einen kompakten Encoder, der aus Qwen2 0.5B initialisiert wird. Der Decoder bleibt das 3B-Mixture-of-Experts-Modell der ersten OCR-Edition mit rund 500 Millionen aktiven Parametern. Das Training führt über die Vorbereitung des Encoders, die Verbesserung der Abfragen und die Spezialisierung des Decoders; in der letzten Phase wird der Encoder fixiert und der Decoder aktualisiert. Der Schwerpunkt dieser Überarbeitung liegt auf einer besseren visuellen Leselogik bei weiterhin komprimierten Bildrepräsentationen.
Die Ausgabeaufgabe wählen. Freie OCR konzentriert sich auf den erkannten Text ohne Layout. Der Markdown-Prompt fordert eine Dokumentumwandlung mit Layoutinformationen an, wodurch sich das Ergebnis leichter in einer Textverarbeitungspipeline verwenden lässt. Bei einem Bericht oder einer wissenschaftlichen Arbeit kann das entstandene Arbeitsergebnis lesbare Abschnitte erhalten, die Sie anschließend durchsuchen, zusammenfassen oder als Referenzmaterial verwenden. Prüfen Sie bei einer Tabelle, ob die Beziehungen zwischen Zeilen und Spalten die Umwandlung überstanden haben, bevor Sie daraus Zahlenfelder extrahieren.
Bereiten Sie für eine Seitensammlung die Seitenbilder in der ursprünglichen Reihenfolge vor und bewahren Sie neben jeder Ausgabe eine Seitenkennung auf. Das offizielle Projekt beschreibt sowohl Workflows für Bild-OCR als auch für PDF-Verarbeitung, einschließlich Ergebnisspeicherung und beschleunigter Inferenz. Seitenrendering, Iteration und Zusammenstellung liegen in der Verantwortung des umgebenden Prozesses. Halten Sie das erkannte Ergebnis von späteren Zusammenfassungen getrennt, damit sich ein Extraktionsfehler auf seine Quellseite zurückführen lässt.
Dokumentprüfung. Die Forschung untersucht Text, Formeln, Tabellen und Lesereihenfolge und nennt besonders dichte Zeitungsseiten als weiterhin schwierigen Bereich. Bewahren Sie das klarste Quellbild auf und prüfen Sie kleine Schrift, Tabellenüberschriften, tiefgestellte Zeichen und entscheidende Werte anhand des Originals. Ist eine Passage unleserlich, beschaffen Sie einen besseren Scan oder eine gezielte Ansicht, die genügend umgebendes Layout erhält, um ihre Funktion zu bestimmen. Prüfen Sie die Ausgabe außerdem auf Wiederholungen oder ausgelassene Abschnitte, bevor Sie sie als vollständige Aufzeichnung behandeln.
OCR 2 liefert das erkannte Material für die nächste Aufgabe. Eine nachgelagerte Anfrage kann dann Felder extrahieren, eine durchsuchbare Notiz erstellen oder eine Frage aus dem umgewandelten Text beantworten. Der Hersteller nennt optisches Dokumentlesen als aktuellen Schwerpunkt; umfassenderes visuelles Schlussfolgern und zusätzliche Modalitäten sind Forschungsrichtungen. Beschränken Sie bei der Auswahl dieser Edition das erwartete Arbeitsergebnis auf Erkennung und Dokumentumwandlung.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits deepseek/deepseek-ocr-2 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.000062 / 1K Tokens Ausgabe · Ausgabetoken $0.000062 / 1K Tokens Eingabe · Cache lesen $0 / 1K Tokens Eingabe · In Cache schreiben $0 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "deepseek/deepseek-ocr-2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra deepseek/deepseek-ocr-2
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
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.