DeepSeek OCR 2 muuntaa asiakirjakuvan ja tekstiohjeen tekstimuotoiseksi tulokseksi. Sen tärkeimmät julkaistut kehotteet kattavat vapaan OCR-tekstintunnistuksen ja asiakirjan muuntamisen Markdowniksi lähdekohtiin yhdistävine tietoineen. Toinen versio tuo DeepEncoder V2:n ja visuaalisen kausaalisen virtauksen: enkooderi oppii kuvan sisällön muovaaman lukujärjestyksen ennen kuin kielidekooderi tulkitsee sen. Tämä on erityisen olennaista sivuille, joissa on palstoja, taulukoita, kaavoja ja epälineaarisia asetteluja.
Arkkitehtuuri ja lukujärjestys. Malli säilyttää enkooderin ja dekooderin muodostaman rakenteen. DeepEncoder V2 korvaa aiemman enkooderin CLIP-komponentin kompaktilla kielimallityyppisellä enkooderilla. Visuaaliset tokenit voivat huomioida tietoa koko kuvasta, kun taas opitut kausaaliset kyselyt järjestävät tiedon asteittain dekooderille sopivaksi sekvenssiksi. Rakenne käsittelee eroa sivun kaksiulotteisen asettelun ja sen tekstin tuottamiseen tarvittavan yksiulotteisen järjestyksen välillä.
Kuvan valmistelu ja resoluutio. Valmistajan oletusarvoinen dynaamisen resoluution tila käyttää yhtä 1024 × 1024 -kokoista kokonaisnäkymää ja nollasta kuuteen 768 × 768 -kokoista paikallisnäkymää. Kokonaisnäkymä tuottaa 256 visuaalista tokenia, ja jokainen paikallisnäkymä lisää 144, jolloin kuvakohtainen määrä on kuvatussa kokoonpanossa 256–1 120 tokenia. Nämä ovat julkaistuja mallin käsittelyasetuksia, eivät pyyntö leikata jokaista sivua käsin tähän määrään osia. Anna luettava kuva, joka säilyttää sivun rajat sekä otsikoiden, palstojen ja taulukoiden väliset suhteet.
Enkooderi sisältää SAM-pohjaisen visuaalisen tokenisoijan, jossa käytetään konvoluutiopakkausta, sekä Qwen2 0.5B -mallista alustetun kompaktin enkooderin. Dekooderina säilyy ensimmäisen OCR-version 3B-kokoinen mixture-of-experts-malli, jossa on noin 500 miljoonaa aktiivista parametria. Koulutus etenee enkooderin valmistelun, kyselyiden tehostamisen ja dekooderin erikoistamisen kautta; viimeisessä vaiheessa enkooderi lukitaan ja dekooderia päivitetään. Tämän uudistuksen painopiste on paremmassa visuaalisessa lukulogiikassa säilyttäen samalla pakatut kuvaesitykset.
Valitse tulostehtävä. Vapaa OCR keskittyy tunnistettuun tekstiin ilman asettelua. Markdown-kehote pyytää asiakirjan muunnosta asettelutietoineen, mikä helpottaa tuloksen käyttöä tekstinkäsittelyputkessa. Raportin tai artikkelin tuotettu versio voi säilyttää luettavat osiot, joista myöhemmin haet tietoa, laadit yhteenvedon tai joita käytät viiteaineistona. Tarkista taulukosta, ovatko rivien ja sarakkeiden suhteet säilyneet muunnoksessa, ennen kuin poimit siitä numeerisia kenttiä.
Valmistele sivukokoelman kuvat alkuperäisessä järjestyksessä ja säilytä sivutunniste jokaisen tulosteen yhteydessä. Virallinen projekti kuvaa sekä kuvien OCR- että PDF-käsittelytyönkulut, mukaan lukien tulosten tallennuksen ja nopeutetun inferenssin. Sivujen renderöinti, läpikäynti ja kokoaminen ovat ympäröivän prosessin vastuulla. Pidä tunnistettu tuloste erillään myöhemmistä yhteenvedoista, jotta poimintavirhe voidaan jäljittää lähdesivuun.
Asiakirjan tarkistus. Tutkimus tarkastelee tekstiä, kaavoja, taulukoita ja lukujärjestystä ja käsittelee erityisen tiheitä sanomalehtisivuja yhä vaikeana osa-alueena. Säilytä selkein lähdekuva ja tarkista pieni teksti, taulukko-otsikot, alaindeksit ja ratkaisevat arvot alkuperäisestä. Jos katkelmaa ei voi lukea, hanki parempi skannaus tai rajattu näkymä, joka säilyttää riittävästi ympäröivää asettelua katkelman roolin osoittamiseksi. Tarkista myös, onko tulosteessa toistoa tai puuttuvia osioita, ennen kuin käsittelet sitä täydellisenä tallenteena.
OCR 2 toimittaa tunnistetun aineiston seuraavaa tehtävää varten. Jatkoprosessin pyyntö voi sitten poimia kenttiä, rakentaa haettavan muistiinpanon tai vastata kysymykseen muunnetun tekstin pohjalta. Valmistaja kuvaa optisen asiakirjan lukemisen nykyiseksi painopisteeksi; laajempi visuaalinen päättely ja lisämodaliteetit ovat tutkimussuuntia. Pidä odotettu tuotos rajattuna tunnistamiseen ja asiakirjan muuntamiseen tätä versiota valitessasi.
", "aboutText": "DeepSeek OCR 2 muuntaa asiakirjakuvan ja tekstiohjeen tekstimuotoiseksi tulokseksi. Sen tärkeimmät julkaistut kehotteet kattavat vapaan OCR-tekstintunnistuksen ja asiakirjan muuntamisen Markdowniksi lähdekohtiin yhdistävine tietoineen. Toinen versio tuo DeepEncoder V2:n ja visuaalisen kausaalisen virtauksen: enkooderi oppii kuvan sisällön muovaaman lukujärjestyksen ennen kuin kielidekooderi tulkitsee sen. Tämä on erityisen olennaista sivuille, joissa on palstoja, taulukoita, kaavoja ja epälineaarisia asetteluja.\n\nArkkitehtuuri ja lukujärjestys. Malli säilyttää enkooderin ja dekooderin muodostaman rakenteen. DeepEncoder V2 korvaa aiemman enkooderin CLIP-komponentin kompaktilla kielimallityyppisellä enkooderilla. Visuaaliset tokenit voivat huomioida tietoa koko kuvasta, kun taas opitut kausaaliset kyselyt järjestävät tiedon asteittain dekooderille sopivaksi sekvenssiksi. Rakenne käsittelee eroa sivun kaksiulotteisen asettelun ja sen tekstin tuottamiseen tarvittavan yksiulotteisen järjestyksen välillä.\n\nKuvan valmistelu ja resoluutio. Valmistajan oletusarvoinen dynaamisen resoluution tila käyttää yhtä 1024 × 1024 -kokoista kokonaisnäkymää ja nollasta kuuteen 768 × 768 -kokoista paikallisnäkymää. Kokonaisnäkymä tuottaa 256 visuaalista tokenia, ja jokainen paikallisnäkymä lisää 144, jolloin kuvakohtainen määrä on kuvatussa kokoonpanossa 256–1 120 tokenia. Nämä ovat julkaistuja mallin käsittelyasetuksia, eivät pyyntö leikata jokaista sivua käsin tähän määrään osia. Anna luettava kuva, joka säilyttää sivun rajat sekä otsikoiden, palstojen ja taulukoiden väliset suhteet.\n\nEnkooderi sisältää SAM-pohjaisen visuaalisen tokenisoijan, jossa käytetään konvoluutiopakkausta, sekä Qwen2 0.5B -mallista alustetun kompaktin enkooderin. Dekooderina säilyy ensimmäisen OCR-version 3B-kokoinen mixture-of-experts-malli, jossa on noin 500 miljoonaa aktiivista parametria. Koulutus etenee enkooderin valmistelun, kyselyiden tehostamisen ja dekooderin erikoistamisen kautta; viimeisessä vaiheessa enkooderi lukitaan ja dekooderia päivitetään. Tämän uudistuksen painopiste on paremmassa visuaalisessa lukulogiikassa säilyttäen samalla pakatut kuvaesitykset.\n\nValitse tulostehtävä. Vapaa OCR keskittyy tunnistettuun tekstiin ilman asettelua. Markdown-kehote pyytää asiakirjan muunnosta asettelutietoineen, mikä helpottaa tuloksen käyttöä tekstinkäsittelyputkessa. Raportin tai artikkelin tuotettu versio voi säilyttää luettavat osiot, joista myöhemmin haet tietoa, laadit yhteenvedon tai joita käytät viiteaineistona. Tarkista taulukosta, ovatko rivien ja sarakkeiden suhteet säilyneet muunnoksessa, ennen kuin poimit siitä numeerisia kenttiä.\n\nValmistele sivukokoelman kuvat alkuperäisessä järjestyksessä ja säilytä sivutunniste jokaisen tulosteen yhteydessä. Virallinen projekti kuvaa sekä kuvien OCR- että PDF-käsittelytyönkulut, mukaan lukien tulosten tallennuksen ja nopeutetun inferenssin. Sivujen renderöinti, läpikäynti ja kokoaminen ovat ympäröivän prosessin vastuulla. Pidä tunnistettu tuloste erillään myöhemmistä yhteenvedoista, jotta poimintavirhe voidaan jäljittää lähdesivuun.\n\nAsiakirjan tarkistus. Tutkimus tarkastelee tekstiä, kaavoja, taulukoita ja lukujärjestystä ja käsittelee erityisen tiheitä sanomalehtisivuja yhä vaikeana osa-alueena. Säilytä selkein lähdekuva ja tarkista pieni teksti, taulukko-otsikot, alaindeksit ja ratkaisevat arvot alkuperäisestä. Jos katkelmaa ei voi lukea, hanki parempi skannaus tai rajattu näkymä, joka säilyttää riittävästi ympäröivää asettelua katkelman roolin osoittamiseksi. Tarkista myös, onko tulosteessa toistoa tai puuttuvia osioita, ennen kuin käsittelet sitä täydellisenä tallenteena.\n\nOCR 2 toimittaa tunnistetun aineiston seuraavaa tehtävää varten. Jatkoprosessin pyyntö voi sitten poimia kenttiä, rakentaa haettavan muistiinpanon tai vastata kysymykseen muunnetun tekstin pohjalta. Valmistaja kuvaa optisen asiakirjan lukemisen nykyiseksi painopisteeksi; laajempi visuaalinen päättely ja lisämodaliteetit ovat tutkimussuuntia. Pidä odotettu tuotos rajattuna tunnistamiseen ja asiakirjan muuntamiseen tätä versiota valitessasi.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekninen esimerkki englanniksi
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-2DeepSeekin toinen OCR-malli muuntaa asiakirjakuvat tekstiksi tai asettelun huomioivaksi Markdowniksi. Sen DeepEncoder V2 järjestää visuaalisen tiedon lukulogiikan mukaan ja tukee sivuja, jotka yhdistävät tekstiä, kaavoja, taulukoita ja monimutkaisia asetteluja.
Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.
DeepSeek OCR 2 muuntaa asiakirjakuvan ja tekstiohjeen tekstimuotoiseksi tulokseksi. Sen tärkeimmät julkaistut kehotteet kattavat vapaan OCR-tekstintunnistuksen ja asiakirjan muuntamisen Markdowniksi lähdekohtiin yhdistävine tietoineen. Toinen versio tuo DeepEncoder V2:n ja visuaalisen kausaalisen virtauksen: enkooderi oppii kuvan sisällön muovaaman lukujärjestyksen ennen kuin kielidekooderi tulkitsee sen. Tämä on erityisen olennaista sivuille, joissa on palstoja, taulukoita, kaavoja ja epälineaarisia asetteluja.
Arkkitehtuuri ja lukujärjestys. Malli säilyttää enkooderin ja dekooderin muodostaman rakenteen. DeepEncoder V2 korvaa aiemman enkooderin CLIP-komponentin kompaktilla kielimallityyppisellä enkooderilla. Visuaaliset tokenit voivat huomioida tietoa koko kuvasta, kun taas opitut kausaaliset kyselyt järjestävät tiedon asteittain dekooderille sopivaksi sekvenssiksi. Rakenne käsittelee eroa sivun kaksiulotteisen asettelun ja sen tekstin tuottamiseen tarvittavan yksiulotteisen järjestyksen välillä.
Kuvan valmistelu ja resoluutio. Valmistajan oletusarvoinen dynaamisen resoluution tila käyttää yhtä 1024 × 1024 -kokoista kokonaisnäkymää ja nollasta kuuteen 768 × 768 -kokoista paikallisnäkymää. Kokonaisnäkymä tuottaa 256 visuaalista tokenia, ja jokainen paikallisnäkymä lisää 144, jolloin kuvakohtainen määrä on kuvatussa kokoonpanossa 256–1 120 tokenia. Nämä ovat julkaistuja mallin käsittelyasetuksia, eivät pyyntö leikata jokaista sivua käsin tähän määrään osia. Anna luettava kuva, joka säilyttää sivun rajat sekä otsikoiden, palstojen ja taulukoiden väliset suhteet.
Enkooderi sisältää SAM-pohjaisen visuaalisen tokenisoijan, jossa käytetään konvoluutiopakkausta, sekä Qwen2 0.5B -mallista alustetun kompaktin enkooderin. Dekooderina säilyy ensimmäisen OCR-version 3B-kokoinen mixture-of-experts-malli, jossa on noin 500 miljoonaa aktiivista parametria. Koulutus etenee enkooderin valmistelun, kyselyiden tehostamisen ja dekooderin erikoistamisen kautta; viimeisessä vaiheessa enkooderi lukitaan ja dekooderia päivitetään. Tämän uudistuksen painopiste on paremmassa visuaalisessa lukulogiikassa säilyttäen samalla pakatut kuvaesitykset.
Valitse tulostehtävä. Vapaa OCR keskittyy tunnistettuun tekstiin ilman asettelua. Markdown-kehote pyytää asiakirjan muunnosta asettelutietoineen, mikä helpottaa tuloksen käyttöä tekstinkäsittelyputkessa. Raportin tai artikkelin tuotettu versio voi säilyttää luettavat osiot, joista myöhemmin haet tietoa, laadit yhteenvedon tai joita käytät viiteaineistona. Tarkista taulukosta, ovatko rivien ja sarakkeiden suhteet säilyneet muunnoksessa, ennen kuin poimit siitä numeerisia kenttiä.
Valmistele sivukokoelman kuvat alkuperäisessä järjestyksessä ja säilytä sivutunniste jokaisen tulosteen yhteydessä. Virallinen projekti kuvaa sekä kuvien OCR- että PDF-käsittelytyönkulut, mukaan lukien tulosten tallennuksen ja nopeutetun inferenssin. Sivujen renderöinti, läpikäynti ja kokoaminen ovat ympäröivän prosessin vastuulla. Pidä tunnistettu tuloste erillään myöhemmistä yhteenvedoista, jotta poimintavirhe voidaan jäljittää lähdesivuun.
Asiakirjan tarkistus. Tutkimus tarkastelee tekstiä, kaavoja, taulukoita ja lukujärjestystä ja käsittelee erityisen tiheitä sanomalehtisivuja yhä vaikeana osa-alueena. Säilytä selkein lähdekuva ja tarkista pieni teksti, taulukko-otsikot, alaindeksit ja ratkaisevat arvot alkuperäisestä. Jos katkelmaa ei voi lukea, hanki parempi skannaus tai rajattu näkymä, joka säilyttää riittävästi ympäröivää asettelua katkelman roolin osoittamiseksi. Tarkista myös, onko tulosteessa toistoa tai puuttuvia osioita, ennen kuin käsittelet sitä täydellisenä tallenteena.
OCR 2 toimittaa tunnistetun aineiston seuraavaa tehtävää varten. Jatkoprosessin pyyntö voi sitten poimia kenttiä, rakentaa haettavan muistiinpanon tai vastata kysymykseen muunnetun tekstin pohjalta. Valmistaja kuvaa optisen asiakirjan lukemisen nykyiseksi painopisteeksi; laajempi visuaalinen päättely ja lisämodaliteetit ovat tutkimussuuntia. Pidä odotettu tuotos rajattuna tunnistamiseen ja asiakirjan muuntamiseen tätä versiota valitessasi.
POST /v1/chat/completionstexttext| Kenttä | Tyyppi | Vaatimus | Arvot & rajat | Oletus |
|---|---|---|---|---|
Kenttämodel | Tyyppistring | VaatimusPakollinen | Arvot & rajat deepseek/deepseek-ocr-2 | Oletus— |
Kenttämessages | Tyyppimessage[] | VaatimusPakollinen | Arvot & rajat Kohteiden vähimmäismäärä: 1 | Oletus— |
Kenttämessages[].role | Tyyppistring | VaatimusPakollinen | Arvot & rajat Esimerkit: system, user, assistant, tool, function Ehdot: Nämä roolit esitetään nimenomaisesti lähdekoodin yhteensopivuustyypeissä; mallin täsmällinen roolijoukko pysyy mallikohtaisena. Riippuu mallista | Oletus— |
Kenttämessages[].content | Tyyppistring|content_part[]|null | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttämessages[].tool_calls | Tyyppitool_call[] | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttämessages[].tool_call_id | Tyyppistring | VaatimusValinnainen | Arvot & rajat Sovelletaan, kun: role=tool; käytä todella palautettua ID:tä | Oletus— |
Kenttämessages[].name | Tyyppistring | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttämessages[].reasoning_content | Tyyppistring | VaatimusValinnainen | Arvot & rajat Sovelletaan, kun: Palauta todella saatu päättely takaisin mallille, kun kyseinen malli käyttää sitä | Oletus— |
Kenttämessages[].reasoning_details | Tyyppiobject|array | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttämax_tokens | Tyyppiinteger | VaatimusValinnainen | Arvot & rajat Vähimmäismäärä: 1 Riippuu mallista | Oletus— |
Kenttämax_completion_tokens | Tyyppiinteger | VaatimusValinnainen | Arvot & rajat Vähimmäismäärä: 1 Riippuu mallista | Oletus— |
Kenttästream | Tyyppiboolean | VaatimusValinnainen | Arvot & rajat | Oletusfalse |
Kenttästream_options.include_usage | Tyyppiboolean | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttätemperature | Tyyppinumber | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttätop_p | Tyyppinumber | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttästop | Tyyppistring|string[] | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttätools | Tyyppifunction_tool[] | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttätools[].type | Tyyppistring | VaatimusValinnainen | Arvot & rajat function Riippuu mallista | Oletus— |
Kenttätools[].function.name | Tyyppistring | VaatimusPakollinen | Arvot & rajat Sovelletaan, kun: funktiotyökalu annettu | Oletus— |
Kenttätools[].function.description | Tyyppistring | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttätools[].function.parameters | TyyppiJSON_schema | VaatimusValinnainen | Arvot & rajat | Oletus— |
Kenttätool_choice | Tyyppistring|object | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäparallel_tool_calls | Tyyppiboolean | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäresponse_format | Tyyppiobject | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäreasoning_effort | Tyyppistring | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäreasoning | Tyyppiobject | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäservice_tier | Tyyppistring | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäinstructions | Tyyppistring | VaatimusValinnainen | Arvot & rajat Yhteensopivuuskenttä | Oletus— |
Kenttäfunctions | Tyyppifunction[] | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäfunction_call | Tyyppistring|object | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttäprompt_cache_options | Tyyppiobject | VaatimusValinnainen | Arvot & rajat Riippuu mallista | Oletus— |
Kenttämodalities | Tyyppistring[] | VaatimusValinnainen | Arvot & rajat text | Oletus— |
Kenttäprovider | Tyyppiobject | VaatimusValinnainen | Arvot & rajat Ehdot: provider.options hylätään tällä Ultran tekstireitillä | Oletus— |
Kenttäcache_control.ttl | Tyyppistring | VaatimusValinnainen | Arvot & rajat Ehdot: 1h hylätään varsinaisissa kehotevälimuistin kohdissa | Oletus— |
Teksti · UTF8-teksti
messages[].content
| Parametri | Sopimus |
|---|---|
Parametricontent_type | Sopimusapplication/json |
Parametrirequired | Sopimusmodel, messages |
Parametrimaterial_types | Sopimustext |
Parametrimessages | Sopimusviestitaulukko role/content-rakenteella |
Parametrifile_material | Sopimusvarsinainen UTF-8-asiakirja lisätään sellaisenaan tekstinä; tiedoston ID:tä ei päätellä |
Parametrioptional_controls | Sopimusstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametricontrol_scope | Sopimusmallikohtainen; käyttäjän funktiotyökalut eroavat palvelun isännöimistä työkaluista |
Parametrioutput_modalities | Sopimustext |
Parametrihosted_operations | Sopimusfalse |
Parametrimultimodal_input_binding | Sopimusnull |
Elinkaari: synchronous_or_streamed
Lähetä mallin täsmällinen ID yhdessä messages-kentän kanssa.
Kontekstin pituus ei ole tuloksen yläraja.
Tekstitiedosto voi antaa tekstiä sellaisenaan; kuva-, ääni- ja tiedosto-objektisyötteet tarvitsevat täsmällisen sidonnan.
Hintatiedot eivät lisää pyyntövalintoja. Tuetut parametrit on lueteltu valitulle menetelmälle.
| Asetukset | Hinnasto | Veloitus |
|---|---|---|
| AsetuksetTokenien perushinnat | HinnastoPerushinta | Veloitus Syöte · Syötetokenit $0.000062 / 1K tokenia Tuloste · Tulostokenit $0.000062 / 1K tokenia Syöte · Välimuistin luku $0 / 1K tokenia Syöte · Välimuistiin kirjoitus $0 / 1K tokenia Syöte · Välimuistiin kirjoitus, 1 tunti — / 1K tokenia |
Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →
set -eu\n: "${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 tai SSE
Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.
Säilytä jokainen vastausvaihtoehto sisältöineen, työkalukutsuineen ja päättelyineen. Kokoa SSE:ssä muutokset vastausvaihtoehdon ja työkalun indeksin mukaan ja säilytä lopullinen päättymissyy sekä käyttötiedot.
Säilytä pyyntöjen/vastausten ID:t ja otsakkeet. Yleistä tekstityön haku-URL:ää ei anneta.
| Kenttä | Tyyppi |
|---|---|
Kenttächoices[].index | Tyyppiinteger |
Kenttächoices[].message.content | Tyyppistring|null |
Kenttächoices[].message.tool_calls | Tyyppitool_call[] |
Kenttächoices[].message.reasoning_content | Tyyppistring |
Kenttächoices[].message.reasoning_details | Tyyppiobject|array |
Kenttächoices[].finish_reason | Tyyppistring|null |
Kenttäusage | Tyyppiobject |
| Vastaus | Ehto | Seuraava vaihe |
|---|---|---|
Vastaus400 · invalid_request_error | EhtoVirheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo | Seuraava vaiheKorjaa ilmoitetut kentät ennen uutta luontipyyntöä. |
Ailoot Ultra deepseek/deepseek-ocr-2
Käytä yllä näytettyjä menetelmäpolkuja.
deepseek/deepseek-ocr-2DeepSeekin toinen OCR-malli muuntaa asiakirjakuvat tekstiksi tai asettelun huomioivaksi Markdowniksi. Sen DeepEncoder V2 järjestää visuaalisen tiedon lukulogiikan mukaan ja tukee sivuja, jotka yhdistävät tekstiä, kaavoja, taulukoita ja monimutkaisia asetteluja.
Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.
DeepSeek OCR 2 muuntaa asiakirjakuvan ja tekstiohjeen tekstimuotoiseksi tulokseksi. Sen tärkeimmät julkaistut kehotteet kattavat vapaan OCR-tekstintunnistuksen ja asiakirjan muuntamisen Markdowniksi lähdekohtiin yhdistävine tietoineen. Toinen versio tuo DeepEncoder V2:n ja visuaalisen kausaalisen virtauksen: enkooderi oppii kuvan sisällön muovaaman lukujärjestyksen ennen kuin kielidekooderi tulkitsee sen. Tämä on erityisen olennaista sivuille, joissa on palstoja, taulukoita, kaavoja ja epälineaarisia asetteluja.
Arkkitehtuuri ja lukujärjestys. Malli säilyttää enkooderin ja dekooderin muodostaman rakenteen. DeepEncoder V2 korvaa aiemman enkooderin CLIP-komponentin kompaktilla kielimallityyppisellä enkooderilla. Visuaaliset tokenit voivat huomioida tietoa koko kuvasta, kun taas opitut kausaaliset kyselyt järjestävät tiedon asteittain dekooderille sopivaksi sekvenssiksi. Rakenne käsittelee eroa sivun kaksiulotteisen asettelun ja sen tekstin tuottamiseen tarvittavan yksiulotteisen järjestyksen välillä.
Kuvan valmistelu ja resoluutio. Valmistajan oletusarvoinen dynaamisen resoluution tila käyttää yhtä 1024 × 1024 -kokoista kokonaisnäkymää ja nollasta kuuteen 768 × 768 -kokoista paikallisnäkymää. Kokonaisnäkymä tuottaa 256 visuaalista tokenia, ja jokainen paikallisnäkymä lisää 144, jolloin kuvakohtainen määrä on kuvatussa kokoonpanossa 256–1 120 tokenia. Nämä ovat julkaistuja mallin käsittelyasetuksia, eivät pyyntö leikata jokaista sivua käsin tähän määrään osia. Anna luettava kuva, joka säilyttää sivun rajat sekä otsikoiden, palstojen ja taulukoiden väliset suhteet.
Enkooderi sisältää SAM-pohjaisen visuaalisen tokenisoijan, jossa käytetään konvoluutiopakkausta, sekä Qwen2 0.5B -mallista alustetun kompaktin enkooderin. Dekooderina säilyy ensimmäisen OCR-version 3B-kokoinen mixture-of-experts-malli, jossa on noin 500 miljoonaa aktiivista parametria. Koulutus etenee enkooderin valmistelun, kyselyiden tehostamisen ja dekooderin erikoistamisen kautta; viimeisessä vaiheessa enkooderi lukitaan ja dekooderia päivitetään. Tämän uudistuksen painopiste on paremmassa visuaalisessa lukulogiikassa säilyttäen samalla pakatut kuvaesitykset.
Valitse tulostehtävä. Vapaa OCR keskittyy tunnistettuun tekstiin ilman asettelua. Markdown-kehote pyytää asiakirjan muunnosta asettelutietoineen, mikä helpottaa tuloksen käyttöä tekstinkäsittelyputkessa. Raportin tai artikkelin tuotettu versio voi säilyttää luettavat osiot, joista myöhemmin haet tietoa, laadit yhteenvedon tai joita käytät viiteaineistona. Tarkista taulukosta, ovatko rivien ja sarakkeiden suhteet säilyneet muunnoksessa, ennen kuin poimit siitä numeerisia kenttiä.
Valmistele sivukokoelman kuvat alkuperäisessä järjestyksessä ja säilytä sivutunniste jokaisen tulosteen yhteydessä. Virallinen projekti kuvaa sekä kuvien OCR- että PDF-käsittelytyönkulut, mukaan lukien tulosten tallennuksen ja nopeutetun inferenssin. Sivujen renderöinti, läpikäynti ja kokoaminen ovat ympäröivän prosessin vastuulla. Pidä tunnistettu tuloste erillään myöhemmistä yhteenvedoista, jotta poimintavirhe voidaan jäljittää lähdesivuun.
Asiakirjan tarkistus. Tutkimus tarkastelee tekstiä, kaavoja, taulukoita ja lukujärjestystä ja käsittelee erityisen tiheitä sanomalehtisivuja yhä vaikeana osa-alueena. Säilytä selkein lähdekuva ja tarkista pieni teksti, taulukko-otsikot, alaindeksit ja ratkaisevat arvot alkuperäisestä. Jos katkelmaa ei voi lukea, hanki parempi skannaus tai rajattu näkymä, joka säilyttää riittävästi ympäröivää asettelua katkelman roolin osoittamiseksi. Tarkista myös, onko tulosteessa toistoa tai puuttuvia osioita, ennen kuin käsittelet sitä täydellisenä tallenteena.
OCR 2 toimittaa tunnistetun aineiston seuraavaa tehtävää varten. Jatkoprosessin pyyntö voi sitten poimia kenttiä, rakentaa haettavan muistiinpanon tai vastata kysymykseen muunnetun tekstin pohjalta. Valmistaja kuvaa optisen asiakirjan lukemisen nykyiseksi painopisteeksi; laajempi visuaalinen päättely ja lisämodaliteetit ovat tutkimussuuntia. Pidä odotettu tuotos rajattuna tunnistamiseen ja asiakirjan muuntamiseen tätä versiota valitessasi.
POST /v1/messagestextjson, sse| Kenttä | Tyyppi | Vaatimus | Arvot & rajat | Oletus |
|---|---|---|---|---|
Kenttämodel | Tyyppistring | VaatimusPakollinen | Arvot & rajat deepseek/deepseek-ocr-2 | Oletus— |
Kenttämessages | Tyyppimessage[] | VaatimusPakollinen | Arvot & rajat | Oletus— |
Kenttämessages[].role | Tyyppistring | VaatimusPakollinen | Arvot & rajat user, assistant | Oletus— |
Kenttämessages[].content | Tyyppistring | VaatimusPakollinen | Arvot & rajat | Oletus— |
Kenttämax_tokens | Tyyppiinteger | VaatimusPakollinen | Arvot & rajat | Oletus— |
Kenttästream | Tyyppiboolean | VaatimusValinnainen | Arvot & rajat | Oletusfalse |
Teksti · UTF-8-teksti
messages[].content-merkkijono
| Parametri | Sopimus |
|---|---|
Parametricontent_type | Sopimusapplication/json |
Parametrirequired | Sopimusmodel, messages, max_tokens |
Parametrioptional_controls | Sopimusstream |
Parametrimaterial_types | Sopimustext |
Parametritext_file_material | SopimusLue varsinainen UTF-8-asiakirja ja sijoita sen teksti ilmoitettuun syöte- tai viestisisällön merkkijonoon. |
Elinkaari: synchronous_or_streamed
Hintatiedot eivät lisää pyyntövalintoja. Tuetut parametrit on lueteltu valitulle menetelmälle.
| Asetukset | Hinnasto | Veloitus |
|---|---|---|
| AsetuksetTokenien perushinnat | HinnastoPerushinta | Veloitus Syöte · Syötetokenit $0.000062 / 1K tokenia Tuloste · Tulostokenit $0.000062 / 1K tokenia Syöte · Välimuistin luku $0 / 1K tokenia Syöte · Välimuistiin kirjoitus $0 / 1K tokenia Syöte · Välimuistiin kirjoitus, 1 tunti — / 1K tokenia |
Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →
{\n "model": "deepseek/deepseek-ocr-2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 tai SSE
Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.
Säilytä kaikki sisältölohkot, päättelyallekirjoitukset ja todelliset työkalukäytön ID:t. Kokoa kaikki SSE-lohkomuutokset; ensimmäinen tekstilohko ei ole koko tulos.
Säilytä pyyntöjen/vastausten ID:t ja otsakkeet. Yleistä tekstityön haku-URL:ää ei anneta.
| Kenttä | Tyyppi |
|---|---|
Kenttäid | Tyyppistring |
Kenttämodel | Tyyppistring |
Kenttäcontent[] | Tyyppitext|thinking|tool_use|other content block |
Kenttästop_reason | Tyyppistring|null |
Kenttäusage | Tyyppiobject |
| Vastaus | Ehto | Seuraava vaihe |
|---|---|---|
Vastaus400 · invalid_request_error | EhtoVirheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo | Seuraava vaiheKorjaa ilmoitetut kentät ennen uutta luontipyyntöä. |
Ailoot Ultra deepseek/deepseek-ocr-2
Käytä yllä näytettyjä menetelmäpolkuja.
Tekninen esimerkki englanniksi
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.