DeepSeek OCR 2 wandelt ein Dokumentenbild und eine Textanweisung in ein Textergebnis um. Die wesentlichen veröffentlichten Prompts decken freie OCR und die Umwandlung eines Dokuments in Markdown mit Grounding-Informationen ab. Die zweite Edition führt DeepEncoder V2 und einen visuellen kausalen Fluss ein: Der Encoder lernt eine durch den Bildinhalt bestimmte Lesereihenfolge, bevor der Sprachdecoder sie interpretiert. Dies ist besonders für Seiten mit Spalten, Tabellen, Formeln und nichtlinearen Layouts relevant.
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 dem Vorbild eines Sprachmodells. Visuelle Tokens können Attention über das gesamte Bild hinweg nutzen, während gelernte kausale Abfragen diese Informationen schrittweise in eine Sequenz für den Decoder ordnen. Der Entwurf adressiert den Unterschied zwischen dem zweidimensionalen Seitenlayout und der eindimensionalen Reihenfolge, die zur Erzeugung seines Textes erforderlich ist.
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, und jede lokale Ansicht ergänzt 144. In der beschriebenen Konfiguration ergibt das 256–1.120 Tokens pro Bild. Dies sind veröffentlichte Einstellungen für die Modellverarbeitung und keine Aufforderung, jede Seite manuell in diese Anzahl von Teilen zu zerlegen. Stellen Sie ein lesbares Bild bereit, das die Seitengrenzen und die Zusammenhänge zwischen Überschriften, Spalten und Tabellen bewahrt.
Der Encoder umfasst einen auf SAM basierenden visuellen Tokenizer mit Faltungskomprimierung und einen kompakten, aus Qwen2 0.5B initialisierten Encoder. Der Decoder bleibt das 3B-Mixture-of-Experts-Modell der ersten OCR-Edition mit ungefähr 500 Millionen aktiven Parametern. Das Training durchläuft Encoder-Vorbereitung, Abfrageverbesserung und Decoder-Spezialisierung; die letzte Phase fixiert den Encoder und aktualisiert den Decoder. Der Schwerpunkt dieser Überarbeitung liegt auf besserer visueller Leselogik bei gleichzeitiger Beibehaltung komprimierter Bildrepräsentationen.
Ausgabeaufgabe wählen. Freie OCR konzentriert sich auf den erkannten Text ohne Layout. Der Markdown-Prompt verlangt eine Dokumentenkonvertierung mit Layoutinformationen, wodurch sich das Ergebnis leichter in einer Textverarbeitungspipeline verwenden lässt. Bei einem Bericht oder Fachartikel kann das entstandene Arbeitsergebnis lesbare Abschnitte bewahren, die Sie anschließend durchsuchen, zusammenfassen oder als Referenzmaterial verwenden. Prüfen Sie bei einer Tabelle, ob die Beziehungen zwischen Zeilen und Spalten die Konvertierung überstanden haben, bevor Sie numerische Felder daraus extrahieren.
Bereiten Sie bei einer Seitensammlung die Seitenbilder in ihrer ursprünglichen Reihenfolge vor und bewahren Sie zu jeder Ausgabe eine Seitenkennung. Das offizielle Projekt beschreibt sowohl Bild-OCR als auch Abläufe zur PDF-Verarbeitung, einschließlich Ergebnisspeicherung und beschleunigter Inferenz. Seitenrendering, Iteration und Zusammenführung liegen in der Verantwortung des umgebenden Prozesses. Halten Sie die erkannte Ausgabe von jeder späteren Zusammenfassung getrennt, damit ein Extraktionsfehler auf seine Ursprungsseite zurückgeführt werden kann.
Dokumentenprüfung. Die Forschung untersucht Text, Formeln, Tabellen und Lesereihenfolge und behandelt besonders dichte Zeitungsseiten als weiterhin schwierigen Bereich. Bewahren Sie das klarste Originalbild und prüfen Sie kleine Schrift, Tabellenüberschriften, tiefgestellte Zeichen und entscheidende Werte am Original. Ist eine Passage unlesbar, beschaffen Sie einen besseren Scan oder eine fokussierte Ansicht, die genügend umgebendes Layout bewahrt, um ihre Rolle festzustellen. Prüfen Sie die Ausgabe auch auf Wiederholungen oder ausgelassene Abschnitte, bevor Sie sie als vollständigen Datensatz 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 anhand des konvertierten Textes beantworten. Der Hersteller beschreibt optisches Dokumentenlesen als derzeitigen Schwerpunkt; breiteres visuelles Reasoning und zusätzliche Modalitäten sind Forschungsrichtungen. Halten Sie bei der Auswahl dieser Edition das erwartete Arbeitsergebnis auf Erkennung und Dokumentenkonvertierung ausgerichtet.
", "aboutText": "DeepSeek OCR 2 wandelt ein Dokumentenbild und eine Textanweisung in ein Textergebnis um. Die wesentlichen veröffentlichten Prompts decken freie OCR und die Umwandlung eines Dokuments in Markdown mit Grounding-Informationen ab. Die zweite Edition führt DeepEncoder V2 und einen visuellen kausalen Fluss ein: Der Encoder lernt eine durch den Bildinhalt bestimmte Lesereihenfolge, bevor der Sprachdecoder sie interpretiert. Dies ist besonders für Seiten mit Spalten, Tabellen, Formeln und nichtlinearen Layouts relevant.\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 dem Vorbild eines Sprachmodells. Visuelle Tokens können Attention über das gesamte Bild hinweg nutzen, während gelernte kausale Abfragen diese Informationen schrittweise in eine Sequenz für den Decoder ordnen. Der Entwurf adressiert den Unterschied zwischen dem zweidimensionalen Seitenlayout und der eindimensionalen Reihenfolge, die zur Erzeugung seines Textes erforderlich ist.\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, und jede lokale Ansicht ergänzt 144. In der beschriebenen Konfiguration ergibt das 256–1.120 Tokens pro Bild. Dies sind veröffentlichte Einstellungen für die Modellverarbeitung und keine Aufforderung, jede Seite manuell in diese Anzahl von Teilen zu zerlegen. Stellen Sie ein lesbares Bild bereit, das die Seitengrenzen und die Zusammenhänge zwischen Überschriften, Spalten und Tabellen bewahrt.\n\nDer Encoder umfasst einen auf SAM basierenden visuellen Tokenizer mit Faltungskomprimierung und einen kompakten, aus Qwen2 0.5B initialisierten Encoder. Der Decoder bleibt das 3B-Mixture-of-Experts-Modell der ersten OCR-Edition mit ungefähr 500 Millionen aktiven Parametern. Das Training durchläuft Encoder-Vorbereitung, Abfrageverbesserung und Decoder-Spezialisierung; die letzte Phase fixiert den Encoder und aktualisiert den Decoder. Der Schwerpunkt dieser Überarbeitung liegt auf besserer visueller Leselogik bei gleichzeitiger Beibehaltung komprimierter Bildrepräsentationen.\n\nAusgabeaufgabe wählen. Freie OCR konzentriert sich auf den erkannten Text ohne Layout. Der Markdown-Prompt verlangt eine Dokumentenkonvertierung mit Layoutinformationen, wodurch sich das Ergebnis leichter in einer Textverarbeitungspipeline verwenden lässt. Bei einem Bericht oder Fachartikel kann das entstandene Arbeitsergebnis lesbare Abschnitte bewahren, die Sie anschließend durchsuchen, zusammenfassen oder als Referenzmaterial verwenden. Prüfen Sie bei einer Tabelle, ob die Beziehungen zwischen Zeilen und Spalten die Konvertierung überstanden haben, bevor Sie numerische Felder daraus extrahieren.\n\nBereiten Sie bei einer Seitensammlung die Seitenbilder in ihrer ursprünglichen Reihenfolge vor und bewahren Sie zu jeder Ausgabe eine Seitenkennung. Das offizielle Projekt beschreibt sowohl Bild-OCR als auch Abläufe zur PDF-Verarbeitung, einschließlich Ergebnisspeicherung und beschleunigter Inferenz. Seitenrendering, Iteration und Zusammenführung liegen in der Verantwortung des umgebenden Prozesses. Halten Sie die erkannte Ausgabe von jeder späteren Zusammenfassung getrennt, damit ein Extraktionsfehler auf seine Ursprungsseite zurückgeführt werden kann.\n\nDokumentenprüfung. Die Forschung untersucht Text, Formeln, Tabellen und Lesereihenfolge und behandelt besonders dichte Zeitungsseiten als weiterhin schwierigen Bereich. Bewahren Sie das klarste Originalbild und prüfen Sie kleine Schrift, Tabellenüberschriften, tiefgestellte Zeichen und entscheidende Werte am Original. Ist eine Passage unlesbar, beschaffen Sie einen besseren Scan oder eine fokussierte Ansicht, die genügend umgebendes Layout bewahrt, um ihre Rolle festzustellen. Prüfen Sie die Ausgabe auch auf Wiederholungen oder ausgelassene Abschnitte, bevor Sie sie als vollständigen Datensatz 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 anhand des konvertierten Textes beantworten. Der Hersteller beschreibt optisches Dokumentenlesen als derzeitigen Schwerpunkt; breiteres visuelles Reasoning und zusätzliche Modalitäten sind Forschungsrichtungen. Halten Sie bei der Auswahl dieser Edition das erwartete Arbeitsergebnis auf Erkennung und Dokumentenkonvertierung ausgerichtet.", "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-2Das zweite OCR-Modell von DeepSeek wandelt Dokumentenbilder 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 verbinden.
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 Dokumentenbild und eine Textanweisung in ein Textergebnis um. Die wesentlichen veröffentlichten Prompts decken freie OCR und die Umwandlung eines Dokuments in Markdown mit Grounding-Informationen ab. Die zweite Edition führt DeepEncoder V2 und einen visuellen kausalen Fluss ein: Der Encoder lernt eine durch den Bildinhalt bestimmte Lesereihenfolge, bevor der Sprachdecoder sie interpretiert. Dies ist besonders für Seiten mit Spalten, Tabellen, Formeln und nichtlinearen Layouts relevant.
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 dem Vorbild eines Sprachmodells. Visuelle Tokens können Attention über das gesamte Bild hinweg nutzen, während gelernte kausale Abfragen diese Informationen schrittweise in eine Sequenz für den Decoder ordnen. Der Entwurf adressiert den Unterschied zwischen dem zweidimensionalen Seitenlayout und der eindimensionalen Reihenfolge, die zur Erzeugung seines Textes erforderlich ist.
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, und jede lokale Ansicht ergänzt 144. In der beschriebenen Konfiguration ergibt das 256–1.120 Tokens pro Bild. Dies sind veröffentlichte Einstellungen für die Modellverarbeitung und keine Aufforderung, jede Seite manuell in diese Anzahl von Teilen zu zerlegen. Stellen Sie ein lesbares Bild bereit, das die Seitengrenzen und die Zusammenhänge zwischen Überschriften, Spalten und Tabellen bewahrt.
Der Encoder umfasst einen auf SAM basierenden visuellen Tokenizer mit Faltungskomprimierung und einen kompakten, aus Qwen2 0.5B initialisierten Encoder. Der Decoder bleibt das 3B-Mixture-of-Experts-Modell der ersten OCR-Edition mit ungefähr 500 Millionen aktiven Parametern. Das Training durchläuft Encoder-Vorbereitung, Abfrageverbesserung und Decoder-Spezialisierung; die letzte Phase fixiert den Encoder und aktualisiert den Decoder. Der Schwerpunkt dieser Überarbeitung liegt auf besserer visueller Leselogik bei gleichzeitiger Beibehaltung komprimierter Bildrepräsentationen.
Ausgabeaufgabe wählen. Freie OCR konzentriert sich auf den erkannten Text ohne Layout. Der Markdown-Prompt verlangt eine Dokumentenkonvertierung mit Layoutinformationen, wodurch sich das Ergebnis leichter in einer Textverarbeitungspipeline verwenden lässt. Bei einem Bericht oder Fachartikel kann das entstandene Arbeitsergebnis lesbare Abschnitte bewahren, die Sie anschließend durchsuchen, zusammenfassen oder als Referenzmaterial verwenden. Prüfen Sie bei einer Tabelle, ob die Beziehungen zwischen Zeilen und Spalten die Konvertierung überstanden haben, bevor Sie numerische Felder daraus extrahieren.
Bereiten Sie bei einer Seitensammlung die Seitenbilder in ihrer ursprünglichen Reihenfolge vor und bewahren Sie zu jeder Ausgabe eine Seitenkennung. Das offizielle Projekt beschreibt sowohl Bild-OCR als auch Abläufe zur PDF-Verarbeitung, einschließlich Ergebnisspeicherung und beschleunigter Inferenz. Seitenrendering, Iteration und Zusammenführung liegen in der Verantwortung des umgebenden Prozesses. Halten Sie die erkannte Ausgabe von jeder späteren Zusammenfassung getrennt, damit ein Extraktionsfehler auf seine Ursprungsseite zurückgeführt werden kann.
Dokumentenprüfung. Die Forschung untersucht Text, Formeln, Tabellen und Lesereihenfolge und behandelt besonders dichte Zeitungsseiten als weiterhin schwierigen Bereich. Bewahren Sie das klarste Originalbild und prüfen Sie kleine Schrift, Tabellenüberschriften, tiefgestellte Zeichen und entscheidende Werte am Original. Ist eine Passage unlesbar, beschaffen Sie einen besseren Scan oder eine fokussierte Ansicht, die genügend umgebendes Layout bewahrt, um ihre Rolle festzustellen. Prüfen Sie die Ausgabe auch auf Wiederholungen oder ausgelassene Abschnitte, bevor Sie sie als vollständigen Datensatz 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 anhand des konvertierten Textes beantworten. Der Hersteller beschreibt optisches Dokumentenlesen als derzeitigen Schwerpunkt; breiteres visuelles Reasoning und zusätzliche Modalitäten sind Forschungsrichtungen. Halten Sie bei der Auswahl dieser Edition das erwartete Arbeitsergebnis auf Erkennung und Dokumentenkonvertierung ausgerichtet.
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 Token Ausgabe · Ausgabetoken $0.000062 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-2Das zweite OCR-Modell von DeepSeek wandelt Dokumentenbilder 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 verbinden.
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 Dokumentenbild und eine Textanweisung in ein Textergebnis um. Die wesentlichen veröffentlichten Prompts decken freie OCR und die Umwandlung eines Dokuments in Markdown mit Grounding-Informationen ab. Die zweite Edition führt DeepEncoder V2 und einen visuellen kausalen Fluss ein: Der Encoder lernt eine durch den Bildinhalt bestimmte Lesereihenfolge, bevor der Sprachdecoder sie interpretiert. Dies ist besonders für Seiten mit Spalten, Tabellen, Formeln und nichtlinearen Layouts relevant.
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 dem Vorbild eines Sprachmodells. Visuelle Tokens können Attention über das gesamte Bild hinweg nutzen, während gelernte kausale Abfragen diese Informationen schrittweise in eine Sequenz für den Decoder ordnen. Der Entwurf adressiert den Unterschied zwischen dem zweidimensionalen Seitenlayout und der eindimensionalen Reihenfolge, die zur Erzeugung seines Textes erforderlich ist.
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, und jede lokale Ansicht ergänzt 144. In der beschriebenen Konfiguration ergibt das 256–1.120 Tokens pro Bild. Dies sind veröffentlichte Einstellungen für die Modellverarbeitung und keine Aufforderung, jede Seite manuell in diese Anzahl von Teilen zu zerlegen. Stellen Sie ein lesbares Bild bereit, das die Seitengrenzen und die Zusammenhänge zwischen Überschriften, Spalten und Tabellen bewahrt.
Der Encoder umfasst einen auf SAM basierenden visuellen Tokenizer mit Faltungskomprimierung und einen kompakten, aus Qwen2 0.5B initialisierten Encoder. Der Decoder bleibt das 3B-Mixture-of-Experts-Modell der ersten OCR-Edition mit ungefähr 500 Millionen aktiven Parametern. Das Training durchläuft Encoder-Vorbereitung, Abfrageverbesserung und Decoder-Spezialisierung; die letzte Phase fixiert den Encoder und aktualisiert den Decoder. Der Schwerpunkt dieser Überarbeitung liegt auf besserer visueller Leselogik bei gleichzeitiger Beibehaltung komprimierter Bildrepräsentationen.
Ausgabeaufgabe wählen. Freie OCR konzentriert sich auf den erkannten Text ohne Layout. Der Markdown-Prompt verlangt eine Dokumentenkonvertierung mit Layoutinformationen, wodurch sich das Ergebnis leichter in einer Textverarbeitungspipeline verwenden lässt. Bei einem Bericht oder Fachartikel kann das entstandene Arbeitsergebnis lesbare Abschnitte bewahren, die Sie anschließend durchsuchen, zusammenfassen oder als Referenzmaterial verwenden. Prüfen Sie bei einer Tabelle, ob die Beziehungen zwischen Zeilen und Spalten die Konvertierung überstanden haben, bevor Sie numerische Felder daraus extrahieren.
Bereiten Sie bei einer Seitensammlung die Seitenbilder in ihrer ursprünglichen Reihenfolge vor und bewahren Sie zu jeder Ausgabe eine Seitenkennung. Das offizielle Projekt beschreibt sowohl Bild-OCR als auch Abläufe zur PDF-Verarbeitung, einschließlich Ergebnisspeicherung und beschleunigter Inferenz. Seitenrendering, Iteration und Zusammenführung liegen in der Verantwortung des umgebenden Prozesses. Halten Sie die erkannte Ausgabe von jeder späteren Zusammenfassung getrennt, damit ein Extraktionsfehler auf seine Ursprungsseite zurückgeführt werden kann.
Dokumentenprüfung. Die Forschung untersucht Text, Formeln, Tabellen und Lesereihenfolge und behandelt besonders dichte Zeitungsseiten als weiterhin schwierigen Bereich. Bewahren Sie das klarste Originalbild und prüfen Sie kleine Schrift, Tabellenüberschriften, tiefgestellte Zeichen und entscheidende Werte am Original. Ist eine Passage unlesbar, beschaffen Sie einen besseren Scan oder eine fokussierte Ansicht, die genügend umgebendes Layout bewahrt, um ihre Rolle festzustellen. Prüfen Sie die Ausgabe auch auf Wiederholungen oder ausgelassene Abschnitte, bevor Sie sie als vollständigen Datensatz 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 anhand des konvertierten Textes beantworten. Der Hersteller beschreibt optisches Dokumentenlesen als derzeitigen Schwerpunkt; breiteres visuelles Reasoning und zusätzliche Modalitäten sind Forschungsrichtungen. Halten Sie bei der Auswahl dieser Edition das erwartete Arbeitsergebnis auf Erkennung und Dokumentenkonvertierung ausgerichtet.
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 Token Ausgabe · Ausgabetoken $0.000062 / 1K Token Eingabe · Cache-Lesen $0 / 1K Token Eingabe · Cache-Schreiben $0 / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "deepseek/deepseek-ocr-2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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.