Το DeepSeek OCR 2 μετατρέπει μια εικόνα εγγράφου και μια οδηγία κειμένου σε αποτέλεσμα κειμένου. Τα κύρια δημοσιευμένα prompt του καλύπτουν ελεύθερο OCR και μετατροπή εγγράφου σε Markdown με πληροφορίες σύνδεσης με την πηγή. Η δεύτερη έκδοση εισάγει το DeepEncoder V2 και την οπτική αιτιακή ροή: ο κωδικοποιητής μαθαίνει σειρά ανάγνωσης διαμορφωμένη από το περιεχόμενο της εικόνας πριν το ερμηνεύσει ο γλωσσικός αποκωδικοποιητής. Αυτό είναι ιδιαίτερα σχετικό με σελίδες που έχουν στήλες, πίνακες, τύπους και μη γραμμικές διατάξεις.
Αρχιτεκτονική και σειρά ανάγνωσης. Το μοντέλο διατηρεί δομή κωδικοποιητή και αποκωδικοποιητή. Το DeepEncoder V2 αντικαθιστά το στοιχείο CLIP του προηγούμενου κωδικοποιητή με έναν συμπαγή κωδικοποιητή τύπου γλωσσικού μοντέλου. Τα οπτικά token μπορούν να εφαρμόζουν προσοχή σε ολόκληρη την εικόνα, ενώ τα εκπαιδευμένα αιτιακά ερωτήματα οργανώνουν προοδευτικά αυτές τις πληροφορίες σε ακολουθία για τον αποκωδικοποιητή. Ο σχεδιασμός αντιμετωπίζει τη διαφορά ανάμεσα στη δισδιάστατη διάταξη μιας σελίδας και τη μονοδιάστατη σειρά που απαιτείται για την παραγωγή του κειμένου της.
Προετοιμασία εικόνας και ανάλυση. Η προεπιλεγμένη λειτουργία δυναμικής ανάλυσης του κατασκευαστή χρησιμοποιεί μία συνολική όψη 1024 × 1024 και από μηδέν έως έξι τοπικές όψεις 768 × 768. Η συνολική όψη παράγει 256 οπτικά token και κάθε τοπική όψη προσθέτει 144, δίνοντας 256–1,120 token ανά εικόνα στην περιγραφόμενη διαμόρφωση. Πρόκειται για δημοσιευμένες ρυθμίσεις επεξεργασίας μοντέλου και όχι για αίτημα χειροκίνητης κοπής κάθε σελίδας σε αυτό το πλήθος τμημάτων. Δώστε ευανάγνωστη εικόνα που διατηρεί τα όρια της σελίδας και τις σχέσεις ανάμεσα σε επικεφαλίδες, στήλες και πίνακες.
Ο κωδικοποιητής περιλαμβάνει οπτικό tokenizer βασισμένο στο SAM με συνελικτική συμπίεση και συμπαγή κωδικοποιητή αρχικοποιημένο από το Qwen2 0.5B. Ο αποκωδικοποιητής παραμένει το μοντέλο μείγματος ειδικών 3B της πρώτης έκδοσης OCR, με περίπου 500 εκατομμύρια ενεργές παραμέτρους. Η εκπαίδευση προχωρά μέσω προετοιμασίας κωδικοποιητή, ενίσχυσης ερωτημάτων και εξειδίκευσης αποκωδικοποιητή· το τελικό στάδιο κρατά σταθερό τον κωδικοποιητή και ενημερώνει τον αποκωδικοποιητή. Η έμφαση αυτής της αναθεώρησης είναι η καλύτερη οπτική λογική ανάγνωσης με διατήρηση συμπιεσμένων αναπαραστάσεων εικόνας.
Επιλέξτε την εργασία εξόδου. Το ελεύθερο OCR επικεντρώνεται στο αναγνωρισμένο κείμενο χωρίς διάταξη. Το prompt Markdown ζητά μετατροπή εγγράφου με πληροφορίες διάταξης, κάνοντας το αποτέλεσμα ευκολότερο στη χρήση σε μια ακολουθία επεξεργασίας κειμένου. Για αναφορά ή επιστημονική εργασία, το παραγόμενο παραδοτέο μπορεί να διατηρεί ευανάγνωστες ενότητες που στη συνέχεια αναζητάτε, συνοψίζετε ή χρησιμοποιείτε ως υλικό αναφοράς. Για πίνακα, εξετάστε αν οι σχέσεις γραμμών και στηλών επιβίωσαν της μετατροπής πριν εξαγάγετε αριθμητικά πεδία από αυτόν.
Για συλλογή σελίδων, προετοιμάστε τις εικόνες σελίδων με την αρχική σειρά τους και διατηρήστε αναγνωριστικό σελίδας δίπλα σε κάθε έξοδο. Το επίσημο έργο περιγράφει τόσο OCR εικόνων όσο και ροές επεξεργασίας PDF, συμπεριλαμβανομένων αποθήκευσης αποτελεσμάτων και επιταχυνόμενης συμπερασματολογίας. Η απόδοση σελίδων σε εικόνες, η επανάληψη και η συναρμολόγηση είναι ευθύνες της διαδικασίας που πλαισιώνει το μοντέλο. Κρατήστε την αναγνωρισμένη έξοδο ξεχωριστά από οποιαδήποτε μεταγενέστερη περίληψη, ώστε ένα σφάλμα εξαγωγής να ανιχνεύεται πίσω στη σελίδα πηγής του.
Έλεγχος εγγράφου. Η έρευνα εξετάζει κείμενο, τύπους, πίνακες και σειρά ανάγνωσης και συζητά τις ιδιαίτερα πυκνές σελίδες εφημερίδων ως περιοχή που παραμένει δύσκολη. Διατηρήστε την καθαρότερη αρχική εικόνα και ελέγξτε μικρό κείμενο, επικεφαλίδες πινάκων, δείκτες και καθοριστικές τιμές έναντι του πρωτοτύπου. Αν ένα απόσπασμα είναι δυσανάγνωστο, αποκτήστε καλύτερη σάρωση ή εστιασμένη όψη που διατηρεί αρκετή περιβάλλουσα διάταξη ώστε να καθορίζεται ο ρόλος του. Εξετάστε επίσης την έξοδο για επαναλήψεις ή ενότητες που παραλείφθηκαν πριν την αντιμετωπίσετε ως πλήρη καταγραφή.
Το OCR 2 παρέχει το αναγνωρισμένο υλικό για την επόμενη εργασία. Ένα επακόλουθο αίτημα μπορεί έπειτα να εξάγει πεδία, να δημιουργήσει αναζητήσιμη σημείωση ή να απαντήσει σε ερώτημα από το μετατραπέν κείμενο. Ο παραγωγός περιγράφει την οπτική ανάγνωση εγγράφων ως το τρέχον επίκεντρο· η ευρύτερη οπτική συλλογιστική και οι πρόσθετες τροπικότητες αποτελούν ερευνητικές κατευθύνσεις. Κρατήστε το αναμενόμενο παραδοτέο συγκεκριμένο στην αναγνώριση και τη μετατροπή εγγράφων όταν επιλέγετε αυτή την έκδοση.
", "aboutText": "Το DeepSeek OCR 2 μετατρέπει μια εικόνα εγγράφου και μια οδηγία κειμένου σε αποτέλεσμα κειμένου. Τα κύρια δημοσιευμένα prompt του καλύπτουν ελεύθερο OCR και μετατροπή εγγράφου σε Markdown με πληροφορίες σύνδεσης με την πηγή. Η δεύτερη έκδοση εισάγει το DeepEncoder V2 και την οπτική αιτιακή ροή: ο κωδικοποιητής μαθαίνει σειρά ανάγνωσης διαμορφωμένη από το περιεχόμενο της εικόνας πριν το ερμηνεύσει ο γλωσσικός αποκωδικοποιητής. Αυτό είναι ιδιαίτερα σχετικό με σελίδες που έχουν στήλες, πίνακες, τύπους και μη γραμμικές διατάξεις.\n\nΑρχιτεκτονική και σειρά ανάγνωσης. Το μοντέλο διατηρεί δομή κωδικοποιητή και αποκωδικοποιητή. Το DeepEncoder V2 αντικαθιστά το στοιχείο CLIP του προηγούμενου κωδικοποιητή με έναν συμπαγή κωδικοποιητή τύπου γλωσσικού μοντέλου. Τα οπτικά token μπορούν να εφαρμόζουν προσοχή σε ολόκληρη την εικόνα, ενώ τα εκπαιδευμένα αιτιακά ερωτήματα οργανώνουν προοδευτικά αυτές τις πληροφορίες σε ακολουθία για τον αποκωδικοποιητή. Ο σχεδιασμός αντιμετωπίζει τη διαφορά ανάμεσα στη δισδιάστατη διάταξη μιας σελίδας και τη μονοδιάστατη σειρά που απαιτείται για την παραγωγή του κειμένου της.\n\nΠροετοιμασία εικόνας και ανάλυση. Η προεπιλεγμένη λειτουργία δυναμικής ανάλυσης του κατασκευαστή χρησιμοποιεί μία συνολική όψη 1024 × 1024 και από μηδέν έως έξι τοπικές όψεις 768 × 768. Η συνολική όψη παράγει 256 οπτικά token και κάθε τοπική όψη προσθέτει 144, δίνοντας 256–1,120 token ανά εικόνα στην περιγραφόμενη διαμόρφωση. Πρόκειται για δημοσιευμένες ρυθμίσεις επεξεργασίας μοντέλου και όχι για αίτημα χειροκίνητης κοπής κάθε σελίδας σε αυτό το πλήθος τμημάτων. Δώστε ευανάγνωστη εικόνα που διατηρεί τα όρια της σελίδας και τις σχέσεις ανάμεσα σε επικεφαλίδες, στήλες και πίνακες.\n\nΟ κωδικοποιητής περιλαμβάνει οπτικό tokenizer βασισμένο στο SAM με συνελικτική συμπίεση και συμπαγή κωδικοποιητή αρχικοποιημένο από το Qwen2 0.5B. Ο αποκωδικοποιητής παραμένει το μοντέλο μείγματος ειδικών 3B της πρώτης έκδοσης OCR, με περίπου 500 εκατομμύρια ενεργές παραμέτρους. Η εκπαίδευση προχωρά μέσω προετοιμασίας κωδικοποιητή, ενίσχυσης ερωτημάτων και εξειδίκευσης αποκωδικοποιητή· το τελικό στάδιο κρατά σταθερό τον κωδικοποιητή και ενημερώνει τον αποκωδικοποιητή. Η έμφαση αυτής της αναθεώρησης είναι η καλύτερη οπτική λογική ανάγνωσης με διατήρηση συμπιεσμένων αναπαραστάσεων εικόνας.\n\nΕπιλέξτε την εργασία εξόδου. Το ελεύθερο OCR επικεντρώνεται στο αναγνωρισμένο κείμενο χωρίς διάταξη. Το prompt Markdown ζητά μετατροπή εγγράφου με πληροφορίες διάταξης, κάνοντας το αποτέλεσμα ευκολότερο στη χρήση σε μια ακολουθία επεξεργασίας κειμένου. Για αναφορά ή επιστημονική εργασία, το παραγόμενο παραδοτέο μπορεί να διατηρεί ευανάγνωστες ενότητες που στη συνέχεια αναζητάτε, συνοψίζετε ή χρησιμοποιείτε ως υλικό αναφοράς. Για πίνακα, εξετάστε αν οι σχέσεις γραμμών και στηλών επιβίωσαν της μετατροπής πριν εξαγάγετε αριθμητικά πεδία από αυτόν.\n\nΓια συλλογή σελίδων, προετοιμάστε τις εικόνες σελίδων με την αρχική σειρά τους και διατηρήστε αναγνωριστικό σελίδας δίπλα σε κάθε έξοδο. Το επίσημο έργο περιγράφει τόσο OCR εικόνων όσο και ροές επεξεργασίας PDF, συμπεριλαμβανομένων αποθήκευσης αποτελεσμάτων και επιταχυνόμενης συμπερασματολογίας. Η απόδοση σελίδων σε εικόνες, η επανάληψη και η συναρμολόγηση είναι ευθύνες της διαδικασίας που πλαισιώνει το μοντέλο. Κρατήστε την αναγνωρισμένη έξοδο ξεχωριστά από οποιαδήποτε μεταγενέστερη περίληψη, ώστε ένα σφάλμα εξαγωγής να ανιχνεύεται πίσω στη σελίδα πηγής του.\n\nΈλεγχος εγγράφου. Η έρευνα εξετάζει κείμενο, τύπους, πίνακες και σειρά ανάγνωσης και συζητά τις ιδιαίτερα πυκνές σελίδες εφημερίδων ως περιοχή που παραμένει δύσκολη. Διατηρήστε την καθαρότερη αρχική εικόνα και ελέγξτε μικρό κείμενο, επικεφαλίδες πινάκων, δείκτες και καθοριστικές τιμές έναντι του πρωτοτύπου. Αν ένα απόσπασμα είναι δυσανάγνωστο, αποκτήστε καλύτερη σάρωση ή εστιασμένη όψη που διατηρεί αρκετή περιβάλλουσα διάταξη ώστε να καθορίζεται ο ρόλος του. Εξετάστε επίσης την έξοδο για επαναλήψεις ή ενότητες που παραλείφθηκαν πριν την αντιμετωπίσετε ως πλήρη καταγραφή.\n\nΤο OCR 2 παρέχει το αναγνωρισμένο υλικό για την επόμενη εργασία. Ένα επακόλουθο αίτημα μπορεί έπειτα να εξάγει πεδία, να δημιουργήσει αναζητήσιμη σημείωση ή να απαντήσει σε ερώτημα από το μετατραπέν κείμενο. Ο παραγωγός περιγράφει την οπτική ανάγνωση εγγράφων ως το τρέχον επίκεντρο· η ευρύτερη οπτική συλλογιστική και οι πρόσθετες τροπικότητες αποτελούν ερευνητικές κατευθύνσεις. Κρατήστε το αναμενόμενο παραδοτέο συγκεκριμένο στην αναγνώριση και τη μετατροπή εγγράφων όταν επιλέγετε αυτή την έκδοση.", "editorialOverlay": { "copy_fields": { "practical_html": "Τεχνικό παράδειγμα στα αγγλικά
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-2Το δεύτερο μοντέλο OCR της DeepSeek μετατρέπει εικόνες εγγράφων σε κείμενο ή Markdown που λαμβάνει υπόψη τη διάταξη. Το DeepEncoder V2 οργανώνει τις οπτικές πληροφορίες με βάση τη λογική ανάγνωσης, υποστηρίζοντας σελίδες που συνδυάζουν κείμενο, τύπους, πίνακες και σύνθετες διατάξεις.
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Το DeepSeek OCR 2 μετατρέπει μια εικόνα εγγράφου και μια οδηγία κειμένου σε αποτέλεσμα κειμένου. Τα κύρια δημοσιευμένα prompt του καλύπτουν ελεύθερο OCR και μετατροπή εγγράφου σε Markdown με πληροφορίες σύνδεσης με την πηγή. Η δεύτερη έκδοση εισάγει το DeepEncoder V2 και την οπτική αιτιακή ροή: ο κωδικοποιητής μαθαίνει σειρά ανάγνωσης διαμορφωμένη από το περιεχόμενο της εικόνας πριν το ερμηνεύσει ο γλωσσικός αποκωδικοποιητής. Αυτό είναι ιδιαίτερα σχετικό με σελίδες που έχουν στήλες, πίνακες, τύπους και μη γραμμικές διατάξεις.
Αρχιτεκτονική και σειρά ανάγνωσης. Το μοντέλο διατηρεί δομή κωδικοποιητή και αποκωδικοποιητή. Το DeepEncoder V2 αντικαθιστά το στοιχείο CLIP του προηγούμενου κωδικοποιητή με έναν συμπαγή κωδικοποιητή τύπου γλωσσικού μοντέλου. Τα οπτικά token μπορούν να εφαρμόζουν προσοχή σε ολόκληρη την εικόνα, ενώ τα εκπαιδευμένα αιτιακά ερωτήματα οργανώνουν προοδευτικά αυτές τις πληροφορίες σε ακολουθία για τον αποκωδικοποιητή. Ο σχεδιασμός αντιμετωπίζει τη διαφορά ανάμεσα στη δισδιάστατη διάταξη μιας σελίδας και τη μονοδιάστατη σειρά που απαιτείται για την παραγωγή του κειμένου της.
Προετοιμασία εικόνας και ανάλυση. Η προεπιλεγμένη λειτουργία δυναμικής ανάλυσης του κατασκευαστή χρησιμοποιεί μία συνολική όψη 1024 × 1024 και από μηδέν έως έξι τοπικές όψεις 768 × 768. Η συνολική όψη παράγει 256 οπτικά token και κάθε τοπική όψη προσθέτει 144, δίνοντας 256–1,120 token ανά εικόνα στην περιγραφόμενη διαμόρφωση. Πρόκειται για δημοσιευμένες ρυθμίσεις επεξεργασίας μοντέλου και όχι για αίτημα χειροκίνητης κοπής κάθε σελίδας σε αυτό το πλήθος τμημάτων. Δώστε ευανάγνωστη εικόνα που διατηρεί τα όρια της σελίδας και τις σχέσεις ανάμεσα σε επικεφαλίδες, στήλες και πίνακες.
Ο κωδικοποιητής περιλαμβάνει οπτικό tokenizer βασισμένο στο SAM με συνελικτική συμπίεση και συμπαγή κωδικοποιητή αρχικοποιημένο από το Qwen2 0.5B. Ο αποκωδικοποιητής παραμένει το μοντέλο μείγματος ειδικών 3B της πρώτης έκδοσης OCR, με περίπου 500 εκατομμύρια ενεργές παραμέτρους. Η εκπαίδευση προχωρά μέσω προετοιμασίας κωδικοποιητή, ενίσχυσης ερωτημάτων και εξειδίκευσης αποκωδικοποιητή· το τελικό στάδιο κρατά σταθερό τον κωδικοποιητή και ενημερώνει τον αποκωδικοποιητή. Η έμφαση αυτής της αναθεώρησης είναι η καλύτερη οπτική λογική ανάγνωσης με διατήρηση συμπιεσμένων αναπαραστάσεων εικόνας.
Επιλέξτε την εργασία εξόδου. Το ελεύθερο OCR επικεντρώνεται στο αναγνωρισμένο κείμενο χωρίς διάταξη. Το prompt Markdown ζητά μετατροπή εγγράφου με πληροφορίες διάταξης, κάνοντας το αποτέλεσμα ευκολότερο στη χρήση σε μια ακολουθία επεξεργασίας κειμένου. Για αναφορά ή επιστημονική εργασία, το παραγόμενο παραδοτέο μπορεί να διατηρεί ευανάγνωστες ενότητες που στη συνέχεια αναζητάτε, συνοψίζετε ή χρησιμοποιείτε ως υλικό αναφοράς. Για πίνακα, εξετάστε αν οι σχέσεις γραμμών και στηλών επιβίωσαν της μετατροπής πριν εξαγάγετε αριθμητικά πεδία από αυτόν.
Για συλλογή σελίδων, προετοιμάστε τις εικόνες σελίδων με την αρχική σειρά τους και διατηρήστε αναγνωριστικό σελίδας δίπλα σε κάθε έξοδο. Το επίσημο έργο περιγράφει τόσο OCR εικόνων όσο και ροές επεξεργασίας PDF, συμπεριλαμβανομένων αποθήκευσης αποτελεσμάτων και επιταχυνόμενης συμπερασματολογίας. Η απόδοση σελίδων σε εικόνες, η επανάληψη και η συναρμολόγηση είναι ευθύνες της διαδικασίας που πλαισιώνει το μοντέλο. Κρατήστε την αναγνωρισμένη έξοδο ξεχωριστά από οποιαδήποτε μεταγενέστερη περίληψη, ώστε ένα σφάλμα εξαγωγής να ανιχνεύεται πίσω στη σελίδα πηγής του.
Έλεγχος εγγράφου. Η έρευνα εξετάζει κείμενο, τύπους, πίνακες και σειρά ανάγνωσης και συζητά τις ιδιαίτερα πυκνές σελίδες εφημερίδων ως περιοχή που παραμένει δύσκολη. Διατηρήστε την καθαρότερη αρχική εικόνα και ελέγξτε μικρό κείμενο, επικεφαλίδες πινάκων, δείκτες και καθοριστικές τιμές έναντι του πρωτοτύπου. Αν ένα απόσπασμα είναι δυσανάγνωστο, αποκτήστε καλύτερη σάρωση ή εστιασμένη όψη που διατηρεί αρκετή περιβάλλουσα διάταξη ώστε να καθορίζεται ο ρόλος του. Εξετάστε επίσης την έξοδο για επαναλήψεις ή ενότητες που παραλείφθηκαν πριν την αντιμετωπίσετε ως πλήρη καταγραφή.
Το OCR 2 παρέχει το αναγνωρισμένο υλικό για την επόμενη εργασία. Ένα επακόλουθο αίτημα μπορεί έπειτα να εξάγει πεδία, να δημιουργήσει αναζητήσιμη σημείωση ή να απαντήσει σε ερώτημα από το μετατραπέν κείμενο. Ο παραγωγός περιγράφει την οπτική ανάγνωση εγγράφων ως το τρέχον επίκεντρο· η ευρύτερη οπτική συλλογιστική και οι πρόσθετες τροπικότητες αποτελούν ερευνητικές κατευθύνσεις. Κρατήστε το αναμενόμενο παραδοτέο συγκεκριμένο στην αναγνώριση και τη μετατροπή εγγράφων όταν επιλέγετε αυτή την έκδοση.
POST /v1/chat/completionstexttext| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια deepseek/deepseek-ocr-2 | Προεπιλογή— |
Πεδίοmessages | Τύποςmessage[] | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Ελάχιστο πλήθος στοιχείων: 1 | Προεπιλογή— |
Πεδίοmessages[].role | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Παραδείγματα: system, user, assistant, tool, function Συνθήκες: Αυτοί οι ρόλοι αναπαρίστανται ρητά από τους τύπους συμβατότητας του πηγαίου κώδικα· το ακριβές σύνολο ρόλων παραμένει ειδικό για κάθε μοντέλο. Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοmessages[].content | Τύποςstring|content_part[]|null | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοmessages[].tool_calls | Τύποςtool_call[] | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοmessages[].tool_call_id | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εφαρμόζεται όταν: role=tool· χρησιμοποιήστε το πραγματικό ID που επιστράφηκε | Προεπιλογή— |
Πεδίοmessages[].name | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοmessages[].reasoning_content | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εφαρμόζεται όταν: Επαναποστείλετε το πραγματικό περιεχόμενο συλλογιστικής που επιστράφηκε, όταν το μοντέλο το χρησιμοποιεί | Προεπιλογή— |
Πεδίοmessages[].reasoning_details | Τύποςobject|array | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοmax_tokens | Τύποςinteger | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Ελάχιστο: 1 Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοmax_completion_tokens | Τύποςinteger | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Ελάχιστο: 1 Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοstream | Τύποςboolean | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογήfalse |
Πεδίοstream_options.include_usage | Τύποςboolean | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοtemperature | Τύποςnumber | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοtop_p | Τύποςnumber | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοstop | Τύποςstring|string[] | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοtools | Τύποςfunction_tool[] | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοtools[].type | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια function Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοtools[].function.name | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Εφαρμόζεται όταν: Παρεχόμενο εργαλείο τύπου συνάρτησης | Προεπιλογή— |
Πεδίοtools[].function.description | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοtools[].function.parameters | ΤύποςJSON_schema | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοtool_choice | Τύποςstring|object | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοparallel_tool_calls | Τύποςboolean | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοresponse_format | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοreasoning_effort | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοreasoning | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοservice_tier | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοinstructions | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Πεδίο συμβατότητας | Προεπιλογή— |
Πεδίοfunctions | Τύποςfunction[] | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοfunction_call | Τύποςstring|object | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοprompt_cache_options | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Εξαρτάται από το μοντέλο | Προεπιλογή— |
Πεδίοmodalities | Τύποςstring[] | ΑπαίτησηΠροαιρετικό | Τιμές και όρια text | Προεπιλογή— |
Πεδίοprovider | Τύποςobject | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Το provider.options απορρίπτεται σε αυτή τη διαδρομή κειμένου Ultra | Προεπιλογή— |
Πεδίοcache_control.ttl | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Συνθήκες: Το 1h απορρίπτεται στα πραγματικά πεδία κρυφής μνήμης προτροπών | Προεπιλογή— |
Κείμενο · Κείμενο UTF8
messages[].content
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςcontent_type | Σύμβασηapplication/json |
Παράμετροςrequired | Σύμβασηmodel, messages |
Παράμετροςmaterial_types | Σύμβασηtext |
Παράμετροςmessages | ΣύμβασηΠίνακας μηνυμάτων με δομή role/content |
Παράμετροςfile_material | Σύμβασηπραγματικό έγγραφο UTF-8 που εισάγεται ως αυτούσιο κείμενο· δεν συνάγεται ID αρχείου |
Παράμετροςoptional_controls | Σύμβασηstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Παράμετροςcontrol_scope | Σύμβασηεξαρτάται από το μοντέλο· τα εργαλεία συναρτήσεων του χρήστη διαφέρουν από τα φιλοξενούμενα εργαλεία |
Παράμετροςoutput_modalities | Σύμβασηtext |
Παράμετροςhosted_operations | Σύμβασηfalse |
Παράμετροςmultimodal_input_binding | Σύμβασηnull |
Κύκλος ζωής: synchronous_or_streamed
Στείλτε το ακριβές ID μοντέλου μαζί με το messages.
Το μήκος συμφραζομένων δεν είναι ανώτατο όριο εξόδου.
Ένα αρχείο κειμένου μπορεί να παρέχει αυτούσιο κείμενο· οι είσοδοι εικόνας/ήχου/αντικειμένων αρχείων χρειάζονται ακριβή αντιστοίχιση.
Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.
| Διαμόρφωση | Πίνακας χρεώσεων | Χρέωση |
|---|---|---|
| ΔιαμόρφωσηΒασικές χρεώσεις ανά token | Πίνακας χρεώσεωνΒασική χρέωση | Χρέωση Είσοδος · Token εισόδου $0.000062 / 1K token Έξοδος · Token εξόδου $0.000062 / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη $0 / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη $0 / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα — / 1K token |
Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →
set -eu\n: "${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 ή SSE
Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.
Διατηρήστε κάθε επιλογή και το περιεχόμενο/τις κλήσεις εργαλείων/το περιεχόμενο συλλογιστικής της. Στο SSE συνθέστε τις διαφορικές ενημερώσεις ανά δείκτη επιλογής/εργαλείου και κρατήστε την τελική αιτία τερματισμού και τα στοιχεία χρήσης.
Διατηρήστε τα ID αιτήματος/απάντησης και τις κεφαλίδες. Δεν παρέχεται γενικό URL ανάκτησης εργασιών κειμένου.
| Πεδίο | Τύπος |
|---|---|
Πεδίοchoices[].index | Τύποςinteger |
Πεδίοchoices[].message.content | Τύποςstring|null |
Πεδίοchoices[].message.tool_calls | Τύποςtool_call[] |
Πεδίοchoices[].message.reasoning_content | Τύποςstring |
Πεδίοchoices[].message.reasoning_details | Τύποςobject|array |
Πεδίοchoices[].finish_reason | Τύποςstring|null |
Πεδίοusage | Τύποςobject |
| Απάντηση | Συνθήκη | Επόμενο βήμα |
|---|---|---|
Απάντηση400 · invalid_request_error | ΣυνθήκηΜη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου | Επόμενο βήμαΔιορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας. |
Ailoot Ultra deepseek/deepseek-ocr-2
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.
deepseek/deepseek-ocr-2Το δεύτερο μοντέλο OCR της DeepSeek μετατρέπει εικόνες εγγράφων σε κείμενο ή Markdown που λαμβάνει υπόψη τη διάταξη. Το DeepEncoder V2 οργανώνει τις οπτικές πληροφορίες με βάση τη λογική ανάγνωσης, υποστηρίζοντας σελίδες που συνδυάζουν κείμενο, τύπους, πίνακες και σύνθετες διατάξεις.
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Το DeepSeek OCR 2 μετατρέπει μια εικόνα εγγράφου και μια οδηγία κειμένου σε αποτέλεσμα κειμένου. Τα κύρια δημοσιευμένα prompt του καλύπτουν ελεύθερο OCR και μετατροπή εγγράφου σε Markdown με πληροφορίες σύνδεσης με την πηγή. Η δεύτερη έκδοση εισάγει το DeepEncoder V2 και την οπτική αιτιακή ροή: ο κωδικοποιητής μαθαίνει σειρά ανάγνωσης διαμορφωμένη από το περιεχόμενο της εικόνας πριν το ερμηνεύσει ο γλωσσικός αποκωδικοποιητής. Αυτό είναι ιδιαίτερα σχετικό με σελίδες που έχουν στήλες, πίνακες, τύπους και μη γραμμικές διατάξεις.
Αρχιτεκτονική και σειρά ανάγνωσης. Το μοντέλο διατηρεί δομή κωδικοποιητή και αποκωδικοποιητή. Το DeepEncoder V2 αντικαθιστά το στοιχείο CLIP του προηγούμενου κωδικοποιητή με έναν συμπαγή κωδικοποιητή τύπου γλωσσικού μοντέλου. Τα οπτικά token μπορούν να εφαρμόζουν προσοχή σε ολόκληρη την εικόνα, ενώ τα εκπαιδευμένα αιτιακά ερωτήματα οργανώνουν προοδευτικά αυτές τις πληροφορίες σε ακολουθία για τον αποκωδικοποιητή. Ο σχεδιασμός αντιμετωπίζει τη διαφορά ανάμεσα στη δισδιάστατη διάταξη μιας σελίδας και τη μονοδιάστατη σειρά που απαιτείται για την παραγωγή του κειμένου της.
Προετοιμασία εικόνας και ανάλυση. Η προεπιλεγμένη λειτουργία δυναμικής ανάλυσης του κατασκευαστή χρησιμοποιεί μία συνολική όψη 1024 × 1024 και από μηδέν έως έξι τοπικές όψεις 768 × 768. Η συνολική όψη παράγει 256 οπτικά token και κάθε τοπική όψη προσθέτει 144, δίνοντας 256–1,120 token ανά εικόνα στην περιγραφόμενη διαμόρφωση. Πρόκειται για δημοσιευμένες ρυθμίσεις επεξεργασίας μοντέλου και όχι για αίτημα χειροκίνητης κοπής κάθε σελίδας σε αυτό το πλήθος τμημάτων. Δώστε ευανάγνωστη εικόνα που διατηρεί τα όρια της σελίδας και τις σχέσεις ανάμεσα σε επικεφαλίδες, στήλες και πίνακες.
Ο κωδικοποιητής περιλαμβάνει οπτικό tokenizer βασισμένο στο SAM με συνελικτική συμπίεση και συμπαγή κωδικοποιητή αρχικοποιημένο από το Qwen2 0.5B. Ο αποκωδικοποιητής παραμένει το μοντέλο μείγματος ειδικών 3B της πρώτης έκδοσης OCR, με περίπου 500 εκατομμύρια ενεργές παραμέτρους. Η εκπαίδευση προχωρά μέσω προετοιμασίας κωδικοποιητή, ενίσχυσης ερωτημάτων και εξειδίκευσης αποκωδικοποιητή· το τελικό στάδιο κρατά σταθερό τον κωδικοποιητή και ενημερώνει τον αποκωδικοποιητή. Η έμφαση αυτής της αναθεώρησης είναι η καλύτερη οπτική λογική ανάγνωσης με διατήρηση συμπιεσμένων αναπαραστάσεων εικόνας.
Επιλέξτε την εργασία εξόδου. Το ελεύθερο OCR επικεντρώνεται στο αναγνωρισμένο κείμενο χωρίς διάταξη. Το prompt Markdown ζητά μετατροπή εγγράφου με πληροφορίες διάταξης, κάνοντας το αποτέλεσμα ευκολότερο στη χρήση σε μια ακολουθία επεξεργασίας κειμένου. Για αναφορά ή επιστημονική εργασία, το παραγόμενο παραδοτέο μπορεί να διατηρεί ευανάγνωστες ενότητες που στη συνέχεια αναζητάτε, συνοψίζετε ή χρησιμοποιείτε ως υλικό αναφοράς. Για πίνακα, εξετάστε αν οι σχέσεις γραμμών και στηλών επιβίωσαν της μετατροπής πριν εξαγάγετε αριθμητικά πεδία από αυτόν.
Για συλλογή σελίδων, προετοιμάστε τις εικόνες σελίδων με την αρχική σειρά τους και διατηρήστε αναγνωριστικό σελίδας δίπλα σε κάθε έξοδο. Το επίσημο έργο περιγράφει τόσο OCR εικόνων όσο και ροές επεξεργασίας PDF, συμπεριλαμβανομένων αποθήκευσης αποτελεσμάτων και επιταχυνόμενης συμπερασματολογίας. Η απόδοση σελίδων σε εικόνες, η επανάληψη και η συναρμολόγηση είναι ευθύνες της διαδικασίας που πλαισιώνει το μοντέλο. Κρατήστε την αναγνωρισμένη έξοδο ξεχωριστά από οποιαδήποτε μεταγενέστερη περίληψη, ώστε ένα σφάλμα εξαγωγής να ανιχνεύεται πίσω στη σελίδα πηγής του.
Έλεγχος εγγράφου. Η έρευνα εξετάζει κείμενο, τύπους, πίνακες και σειρά ανάγνωσης και συζητά τις ιδιαίτερα πυκνές σελίδες εφημερίδων ως περιοχή που παραμένει δύσκολη. Διατηρήστε την καθαρότερη αρχική εικόνα και ελέγξτε μικρό κείμενο, επικεφαλίδες πινάκων, δείκτες και καθοριστικές τιμές έναντι του πρωτοτύπου. Αν ένα απόσπασμα είναι δυσανάγνωστο, αποκτήστε καλύτερη σάρωση ή εστιασμένη όψη που διατηρεί αρκετή περιβάλλουσα διάταξη ώστε να καθορίζεται ο ρόλος του. Εξετάστε επίσης την έξοδο για επαναλήψεις ή ενότητες που παραλείφθηκαν πριν την αντιμετωπίσετε ως πλήρη καταγραφή.
Το OCR 2 παρέχει το αναγνωρισμένο υλικό για την επόμενη εργασία. Ένα επακόλουθο αίτημα μπορεί έπειτα να εξάγει πεδία, να δημιουργήσει αναζητήσιμη σημείωση ή να απαντήσει σε ερώτημα από το μετατραπέν κείμενο. Ο παραγωγός περιγράφει την οπτική ανάγνωση εγγράφων ως το τρέχον επίκεντρο· η ευρύτερη οπτική συλλογιστική και οι πρόσθετες τροπικότητες αποτελούν ερευνητικές κατευθύνσεις. Κρατήστε το αναμενόμενο παραδοτέο συγκεκριμένο στην αναγνώριση και τη μετατροπή εγγράφων όταν επιλέγετε αυτή την έκδοση.
POST /v1/messagestextjson, sse| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια deepseek/deepseek-ocr-2 | Προεπιλογή— |
Πεδίοmessages | Τύποςmessage[] | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοmessages[].role | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια user, assistant | Προεπιλογή— |
Πεδίοmessages[].content | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοmax_tokens | Τύποςinteger | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια | Προεπιλογή— |
Πεδίοstream | Τύποςboolean | ΑπαίτησηΠροαιρετικό | Τιμές και όρια | Προεπιλογήfalse |
Κείμενο · Κείμενο UTF-8
Συμβολοσειρά messages[].content
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςcontent_type | Σύμβασηapplication/json |
Παράμετροςrequired | Σύμβασηmodel, messages, max_tokens |
Παράμετροςoptional_controls | Σύμβασηstream |
Παράμετροςmaterial_types | Σύμβασηtext |
Παράμετροςtext_file_material | ΣύμβασηΔιαβάστε το πραγματικό έγγραφο UTF-8 και τοποθετήστε το κείμενό του στην υποδεικνυόμενη συμβολοσειρά εισόδου ή περιεχομένου του μηνύματος. |
Κύκλος ζωής: synchronous_or_streamed
Οι τιμολογιακές αναφορές δεν προσθέτουν επιλογές αιτήματος. Οι υποστηριζόμενες παράμετροι αναφέρονται στην επιλεγμένη μέθοδο.
| Διαμόρφωση | Πίνακας χρεώσεων | Χρέωση |
|---|---|---|
| ΔιαμόρφωσηΒασικές χρεώσεις ανά token | Πίνακας χρεώσεωνΒασική χρέωση | Χρέωση Είσοδος · Token εισόδου $0.000062 / 1K token Έξοδος · Token εξόδου $0.000062 / 1K token Είσοδος · Ανάγνωση από την κρυφή μνήμη $0 / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη $0 / 1K token Είσοδος · Εγγραφή στην κρυφή μνήμη, 1 ώρα — / 1K token |
Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →
{\n "model": "deepseek/deepseek-ocr-2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ή SSE
Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.
Διατηρήστε όλα τα μπλοκ περιεχομένου, τις υπογραφές συλλογιστικής και τα πραγματικά ID χρήσης εργαλείων. Συνθέστε όλες τις διαφορικές ενημερώσεις μπλοκ SSE· το πρώτο μπλοκ κειμένου δεν είναι η πλήρης έξοδος.
Διατηρήστε τα ID αιτήματος/απάντησης και τις κεφαλίδες. Δεν παρέχεται γενικό URL ανάκτησης εργασιών κειμένου.
| Πεδίο | Τύπος |
|---|---|
Πεδίοid | Τύποςstring |
Πεδίοmodel | Τύποςstring |
Πεδίοcontent[] | Τύποςtext|thinking|tool_use|other content block |
Πεδίοstop_reason | Τύποςstring|null |
Πεδίοusage | Τύποςobject |
| Απάντηση | Συνθήκη | Επόμενο βήμα |
|---|---|---|
Απάντηση400 · invalid_request_error | ΣυνθήκηΜη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου | Επόμενο βήμαΔιορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας. |
Ailoot Ultra deepseek/deepseek-ocr-2
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.
Τεχνικό παράδειγμα στα αγγλικά
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.