DeepSeek OCR 2 convierte una imagen de documento y una instrucción de texto en un resultado textual. Sus principales prompts publicados abarcan OCR libre y la conversión de un documento a Markdown con información de anclaje espacial. La segunda edición introduce DeepEncoder V2 y el flujo causal visual: el codificador aprende un orden de lectura determinado por el contenido de la imagen antes de que el decodificador de lenguaje lo interprete. Esto es especialmente relevante para páginas con columnas, tablas, fórmulas y distribuciones no lineales.
Arquitectura y orden de lectura. El modelo conserva una estructura de codificador y decodificador. DeepEncoder V2 sustituye el componente CLIP del codificador anterior por un codificador compacto de estilo similar a un modelo de lenguaje. Los tokens visuales pueden aplicar atención a toda la imagen, mientras que las consultas causales aprendidas organizan progresivamente esa información en una secuencia para el decodificador. El diseño atiende la diferencia entre la distribución bidimensional de una página y el orden unidimensional necesario para generar su texto.
Preparación de imágenes y resolución. El modo predeterminado de resolución dinámica del fabricante utiliza una vista global de 1024 × 1024 y de cero a seis vistas locales de 768 × 768. La vista global produce 256 tokens visuales y cada vista local agrega 144, lo que da 256–1,120 tokens por imagen en la configuración descrita. Estos son ajustes publicados de procesamiento del modelo, no una solicitud para cortar manualmente cada página en esa cantidad de piezas. Proporciona una imagen legible que conserve los límites de la página y las relaciones entre encabezados, columnas y tablas.
El codificador incluye un tokenizador visual basado en SAM con compresión convolucional y un codificador compacto inicializado a partir de Qwen2 0.5B. El decodificador sigue siendo el modelo de mezcla de expertos de 3B de la primera edición de OCR, con aproximadamente 500 millones de parámetros activos. El entrenamiento pasa por la preparación del codificador, el perfeccionamiento de las consultas y la especialización del decodificador; la etapa final mantiene fijo el codificador y actualiza el decodificador. Esta revisión se enfoca en mejorar la lógica de lectura visual y conservar las representaciones comprimidas de las imágenes.
Elige la tarea de salida. El OCR libre se concentra en el texto reconocido sin conservar la distribución. El prompt de Markdown solicita convertir el documento con información sobre la distribución del contenido en la página, lo que facilita utilizar el resultado en un proceso de tratamiento de texto. Para un informe o un artículo académico, el artefacto resultante puede conservar secciones legibles que después puedes buscar, resumir o utilizar como material de referencia. Para una tabla, inspecciona si las relaciones entre filas y columnas se conservaron durante la conversión antes de extraer campos numéricos.
Para un conjunto de páginas, prepara las imágenes en su orden original y conserva un identificador de página junto con cada salida. El proyecto oficial describe flujos de trabajo tanto de OCR de imágenes como de procesamiento de PDF, incluido el guardado de resultados y la inferencia acelerada. La renderización de páginas, la iteración y el ensamblaje son responsabilidades del proceso circundante. Mantén la salida reconocida separada de cualquier resumen posterior para poder rastrear un error de extracción hasta su página de origen.
Revisión de documentos. La investigación examina texto, fórmulas, tablas y orden de lectura, y señala que las páginas de periódicos especialmente densas siguen siendo difíciles. Conserva la imagen de origen más clara y comprueba el texto pequeño, los encabezados de las tablas, los subíndices y los valores decisivos frente al original. Si un pasaje es ilegible, consigue un mejor escaneo o una vista centrada en el pasaje que conserve suficiente contexto de la distribución de la página para establecer su función. Inspecciona también la salida en busca de repeticiones o secciones omitidas antes de tratarla como un registro completo.
OCR 2 proporciona el material reconocido para la siguiente tarea. Una solicitud posterior puede extraer campos, crear una nota que permita búsquedas o responder una pregunta a partir del texto convertido. El desarrollador describe la lectura óptica de documentos como el enfoque actual; el razonamiento visual más amplio y las modalidades adicionales son líneas de investigación. Mantén el artefacto esperado centrado en el reconocimiento y la conversión de documentos al seleccionar esta edición.
", "aboutText": "DeepSeek OCR 2 convierte una imagen de documento y una instrucción de texto en un resultado textual. Sus principales prompts publicados abarcan OCR libre y la conversión de un documento a Markdown con información de anclaje espacial. La segunda edición introduce DeepEncoder V2 y el flujo causal visual: el codificador aprende un orden de lectura determinado por el contenido de la imagen antes de que el decodificador de lenguaje lo interprete. Esto es especialmente relevante para páginas con columnas, tablas, fórmulas y distribuciones no lineales.\n\nArquitectura y orden de lectura. El modelo conserva una estructura de codificador y decodificador. DeepEncoder V2 sustituye el componente CLIP del codificador anterior por un codificador compacto de estilo similar a un modelo de lenguaje. Los tokens visuales pueden aplicar atención a toda la imagen, mientras que las consultas causales aprendidas organizan progresivamente esa información en una secuencia para el decodificador. El diseño atiende la diferencia entre la distribución bidimensional de una página y el orden unidimensional necesario para generar su texto.\n\nPreparación de imágenes y resolución. El modo predeterminado de resolución dinámica del fabricante utiliza una vista global de 1024 × 1024 y de cero a seis vistas locales de 768 × 768. La vista global produce 256 tokens visuales y cada vista local agrega 144, lo que da 256–1,120 tokens por imagen en la configuración descrita. Estos son ajustes publicados de procesamiento del modelo, no una solicitud para cortar manualmente cada página en esa cantidad de piezas. Proporciona una imagen legible que conserve los límites de la página y las relaciones entre encabezados, columnas y tablas.\n\nEl codificador incluye un tokenizador visual basado en SAM con compresión convolucional y un codificador compacto inicializado a partir de Qwen2 0.5B. El decodificador sigue siendo el modelo de mezcla de expertos de 3B de la primera edición de OCR, con aproximadamente 500 millones de parámetros activos. El entrenamiento pasa por la preparación del codificador, el perfeccionamiento de las consultas y la especialización del decodificador; la etapa final mantiene fijo el codificador y actualiza el decodificador. Esta revisión se enfoca en mejorar la lógica de lectura visual y conservar las representaciones comprimidas de las imágenes.\n\nElige la tarea de salida. El OCR libre se concentra en el texto reconocido sin conservar la distribución. El prompt de Markdown solicita convertir el documento con información sobre la distribución del contenido en la página, lo que facilita utilizar el resultado en un proceso de tratamiento de texto. Para un informe o un artículo académico, el artefacto resultante puede conservar secciones legibles que después puedes buscar, resumir o utilizar como material de referencia. Para una tabla, inspecciona si las relaciones entre filas y columnas se conservaron durante la conversión antes de extraer campos numéricos.\n\nPara un conjunto de páginas, prepara las imágenes en su orden original y conserva un identificador de página junto con cada salida. El proyecto oficial describe flujos de trabajo tanto de OCR de imágenes como de procesamiento de PDF, incluido el guardado de resultados y la inferencia acelerada. La renderización de páginas, la iteración y el ensamblaje son responsabilidades del proceso circundante. Mantén la salida reconocida separada de cualquier resumen posterior para poder rastrear un error de extracción hasta su página de origen.\n\nRevisión de documentos. La investigación examina texto, fórmulas, tablas y orden de lectura, y señala que las páginas de periódicos especialmente densas siguen siendo difíciles. Conserva la imagen de origen más clara y comprueba el texto pequeño, los encabezados de las tablas, los subíndices y los valores decisivos frente al original. Si un pasaje es ilegible, consigue un mejor escaneo o una vista centrada en el pasaje que conserve suficiente contexto de la distribución de la página para establecer su función. Inspecciona también la salida en busca de repeticiones o secciones omitidas antes de tratarla como un registro completo.\n\nOCR 2 proporciona el material reconocido para la siguiente tarea. Una solicitud posterior puede extraer campos, crear una nota que permita búsquedas o responder una pregunta a partir del texto convertido. El desarrollador describe la lectura óptica de documentos como el enfoque actual; el razonamiento visual más amplio y las modalidades adicionales son líneas de investigación. Mantén el artefacto esperado centrado en el reconocimiento y la conversión de documentos al seleccionar esta edición.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
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-2El segundo modelo OCR de DeepSeek convierte imágenes de documentos en texto o Markdown que conserva la distribución de la página. Su DeepEncoder V2 organiza la información visual según la lógica de lectura y admite páginas que combinan texto, fórmulas, tablas y distribuciones complejas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
DeepSeek OCR 2 convierte una imagen de documento y una instrucción de texto en un resultado textual. Sus principales prompts publicados abarcan OCR libre y la conversión de un documento a Markdown con información de anclaje espacial. La segunda edición introduce DeepEncoder V2 y el flujo causal visual: el codificador aprende un orden de lectura determinado por el contenido de la imagen antes de que el decodificador de lenguaje lo interprete. Esto es especialmente relevante para páginas con columnas, tablas, fórmulas y distribuciones no lineales.
Arquitectura y orden de lectura. El modelo conserva una estructura de codificador y decodificador. DeepEncoder V2 sustituye el componente CLIP del codificador anterior por un codificador compacto de estilo similar a un modelo de lenguaje. Los tokens visuales pueden aplicar atención a toda la imagen, mientras que las consultas causales aprendidas organizan progresivamente esa información en una secuencia para el decodificador. El diseño atiende la diferencia entre la distribución bidimensional de una página y el orden unidimensional necesario para generar su texto.
Preparación de imágenes y resolución. El modo predeterminado de resolución dinámica del fabricante utiliza una vista global de 1024 × 1024 y de cero a seis vistas locales de 768 × 768. La vista global produce 256 tokens visuales y cada vista local agrega 144, lo que da 256–1,120 tokens por imagen en la configuración descrita. Estos son ajustes publicados de procesamiento del modelo, no una solicitud para cortar manualmente cada página en esa cantidad de piezas. Proporciona una imagen legible que conserve los límites de la página y las relaciones entre encabezados, columnas y tablas.
El codificador incluye un tokenizador visual basado en SAM con compresión convolucional y un codificador compacto inicializado a partir de Qwen2 0.5B. El decodificador sigue siendo el modelo de mezcla de expertos de 3B de la primera edición de OCR, con aproximadamente 500 millones de parámetros activos. El entrenamiento pasa por la preparación del codificador, el perfeccionamiento de las consultas y la especialización del decodificador; la etapa final mantiene fijo el codificador y actualiza el decodificador. Esta revisión se enfoca en mejorar la lógica de lectura visual y conservar las representaciones comprimidas de las imágenes.
Elige la tarea de salida. El OCR libre se concentra en el texto reconocido sin conservar la distribución. El prompt de Markdown solicita convertir el documento con información sobre la distribución del contenido en la página, lo que facilita utilizar el resultado en un proceso de tratamiento de texto. Para un informe o un artículo académico, el artefacto resultante puede conservar secciones legibles que después puedes buscar, resumir o utilizar como material de referencia. Para una tabla, inspecciona si las relaciones entre filas y columnas se conservaron durante la conversión antes de extraer campos numéricos.
Para un conjunto de páginas, prepara las imágenes en su orden original y conserva un identificador de página junto con cada salida. El proyecto oficial describe flujos de trabajo tanto de OCR de imágenes como de procesamiento de PDF, incluido el guardado de resultados y la inferencia acelerada. La renderización de páginas, la iteración y el ensamblaje son responsabilidades del proceso circundante. Mantén la salida reconocida separada de cualquier resumen posterior para poder rastrear un error de extracción hasta su página de origen.
Revisión de documentos. La investigación examina texto, fórmulas, tablas y orden de lectura, y señala que las páginas de periódicos especialmente densas siguen siendo difíciles. Conserva la imagen de origen más clara y comprueba el texto pequeño, los encabezados de las tablas, los subíndices y los valores decisivos frente al original. Si un pasaje es ilegible, consigue un mejor escaneo o una vista centrada en el pasaje que conserve suficiente contexto de la distribución de la página para establecer su función. Inspecciona también la salida en busca de repeticiones o secciones omitidas antes de tratarla como un registro completo.
OCR 2 proporciona el material reconocido para la siguiente tarea. Una solicitud posterior puede extraer campos, crear una nota que permita búsquedas o responder una pregunta a partir del texto convertido. El desarrollador describe la lectura óptica de documentos como el enfoque actual; el razonamiento visual más amplio y las modalidades adicionales son líneas de investigación. Mantén el artefacto esperado centrado en el reconocimiento y la conversión de documentos al seleccionar esta edición.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites deepseek/deepseek-ocr-2 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.000062 / 1K tokens Salida · Tokens de salida $0.000062 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra deepseek/deepseek-ocr-2
Usa las rutas de método indicadas arriba.
deepseek/deepseek-ocr-2El segundo modelo OCR de DeepSeek convierte imágenes de documentos en texto o Markdown que conserva la distribución de la página. Su DeepEncoder V2 organiza la información visual según la lógica de lectura y admite páginas que combinan texto, fórmulas, tablas y distribuciones complejas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
DeepSeek OCR 2 convierte una imagen de documento y una instrucción de texto en un resultado textual. Sus principales prompts publicados abarcan OCR libre y la conversión de un documento a Markdown con información de anclaje espacial. La segunda edición introduce DeepEncoder V2 y el flujo causal visual: el codificador aprende un orden de lectura determinado por el contenido de la imagen antes de que el decodificador de lenguaje lo interprete. Esto es especialmente relevante para páginas con columnas, tablas, fórmulas y distribuciones no lineales.
Arquitectura y orden de lectura. El modelo conserva una estructura de codificador y decodificador. DeepEncoder V2 sustituye el componente CLIP del codificador anterior por un codificador compacto de estilo similar a un modelo de lenguaje. Los tokens visuales pueden aplicar atención a toda la imagen, mientras que las consultas causales aprendidas organizan progresivamente esa información en una secuencia para el decodificador. El diseño atiende la diferencia entre la distribución bidimensional de una página y el orden unidimensional necesario para generar su texto.
Preparación de imágenes y resolución. El modo predeterminado de resolución dinámica del fabricante utiliza una vista global de 1024 × 1024 y de cero a seis vistas locales de 768 × 768. La vista global produce 256 tokens visuales y cada vista local agrega 144, lo que da 256–1,120 tokens por imagen en la configuración descrita. Estos son ajustes publicados de procesamiento del modelo, no una solicitud para cortar manualmente cada página en esa cantidad de piezas. Proporciona una imagen legible que conserve los límites de la página y las relaciones entre encabezados, columnas y tablas.
El codificador incluye un tokenizador visual basado en SAM con compresión convolucional y un codificador compacto inicializado a partir de Qwen2 0.5B. El decodificador sigue siendo el modelo de mezcla de expertos de 3B de la primera edición de OCR, con aproximadamente 500 millones de parámetros activos. El entrenamiento pasa por la preparación del codificador, el perfeccionamiento de las consultas y la especialización del decodificador; la etapa final mantiene fijo el codificador y actualiza el decodificador. Esta revisión se enfoca en mejorar la lógica de lectura visual y conservar las representaciones comprimidas de las imágenes.
Elige la tarea de salida. El OCR libre se concentra en el texto reconocido sin conservar la distribución. El prompt de Markdown solicita convertir el documento con información sobre la distribución del contenido en la página, lo que facilita utilizar el resultado en un proceso de tratamiento de texto. Para un informe o un artículo académico, el artefacto resultante puede conservar secciones legibles que después puedes buscar, resumir o utilizar como material de referencia. Para una tabla, inspecciona si las relaciones entre filas y columnas se conservaron durante la conversión antes de extraer campos numéricos.
Para un conjunto de páginas, prepara las imágenes en su orden original y conserva un identificador de página junto con cada salida. El proyecto oficial describe flujos de trabajo tanto de OCR de imágenes como de procesamiento de PDF, incluido el guardado de resultados y la inferencia acelerada. La renderización de páginas, la iteración y el ensamblaje son responsabilidades del proceso circundante. Mantén la salida reconocida separada de cualquier resumen posterior para poder rastrear un error de extracción hasta su página de origen.
Revisión de documentos. La investigación examina texto, fórmulas, tablas y orden de lectura, y señala que las páginas de periódicos especialmente densas siguen siendo difíciles. Conserva la imagen de origen más clara y comprueba el texto pequeño, los encabezados de las tablas, los subíndices y los valores decisivos frente al original. Si un pasaje es ilegible, consigue un mejor escaneo o una vista centrada en el pasaje que conserve suficiente contexto de la distribución de la página para establecer su función. Inspecciona también la salida en busca de repeticiones o secciones omitidas antes de tratarla como un registro completo.
OCR 2 proporciona el material reconocido para la siguiente tarea. Una solicitud posterior puede extraer campos, crear una nota que permita búsquedas o responder una pregunta a partir del texto convertido. El desarrollador describe la lectura óptica de documentos como el enfoque actual; el razonamiento visual más amplio y las modalidades adicionales son líneas de investigación. Mantén el artefacto esperado centrado en el reconocimiento y la conversión de documentos al seleccionar esta edición.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites deepseek/deepseek-ocr-2 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.000062 / 1K tokens Salida · Tokens de salida $0.000062 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "deepseek/deepseek-ocr-2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra deepseek/deepseek-ocr-2
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
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.