DeepSeek OCR 2 convertit une image de document et une consigne textuelle en un résultat textuel. Ses principales invites publiées couvrent l'OCR libre et la conversion d'un document en Markdown avec des informations d'ancrage. La deuxième édition introduit DeepEncoder V2 et le flux causal visuel : l'encodeur apprend un ordre de lecture façonné par le contenu de l'image avant que le décodeur de langage ne l'interprète. Cela est particulièrement pertinent pour les pages contenant des colonnes, des tableaux, des formules et des mises en page non linéaires.
Architecture et ordre de lecture. Le modèle conserve une structure d'encodeur et de décodeur. DeepEncoder V2 remplace le composant CLIP de l'encodeur précédent par un encodeur compact de type modèle de langage. Les jetons visuels peuvent porter leur attention sur l'ensemble de l'image, tandis que des requêtes causales apprises organisent progressivement ces informations en une séquence pour le décodeur. La conception traite la différence entre la mise en page bidimensionnelle d'une page et l'ordre unidimensionnel nécessaire à la génération de son texte.
Préparation des images et résolution. Le mode par défaut du fabricant à résolution dynamique utilise une vue globale de 1024 × 1024 et zéro à six vues locales de 768 × 768. La vue globale produit 256 jetons visuels et chaque vue locale en ajoute 144, donnant 256–1,120 jetons par image dans la configuration décrite. Il s'agit de réglages publiés du traitement par le modèle, plutôt que d'une demande de découper manuellement chaque page en ce nombre de morceaux. Fournissez une image lisible qui préserve les limites de la page et les relations entre les titres, les colonnes et les tableaux.
L'encodeur comprend un tokeniseur visuel fondé sur SAM avec une compression convolutionnelle et un encodeur compact initialisé à partir de Qwen2 0.5B. Le décodeur reste le modèle à mélange d'experts 3B de la première édition OCR, avec environ 500 millions de paramètres actifs. L'entraînement passe par la préparation de l'encodeur, l'amélioration des requêtes et la spécialisation du décodeur ; l'étape finale fige l'encodeur et met à jour le décodeur. Cette révision met l'accent sur une meilleure logique de lecture visuelle tout en conservant des représentations d'images compressées.
Choisir la tâche de sortie. L'OCR libre se concentre sur le texte reconnu sans mise en page. L'invite Markdown demande la conversion du document avec des informations de mise en page, ce qui facilite l'utilisation du résultat dans un pipeline de traitement de texte. Pour un rapport ou un article scientifique, le livrable obtenu peut conserver des sections lisibles que vous pouvez ensuite parcourir, résumer ou utiliser comme référence. Pour un tableau, vérifiez que les relations entre lignes et colonnes ont survécu à la conversion avant d'en extraire des champs numériques.
Pour un ensemble de pages, préparez les images des pages dans leur ordre d'origine et conservez un identifiant de page avec chaque sortie. Le projet officiel décrit des processus d'OCR d'images et de traitement PDF, avec l'enregistrement des résultats et l'inférence accélérée. Le rendu des pages, l'itération et l'assemblage relèvent du processus environnant. Gardez la sortie reconnue séparée de tout résumé ultérieur afin de pouvoir retracer une erreur d'extraction jusqu'à sa page source.
Vérification documentaire. La recherche examine le texte, les formules, les tableaux et l'ordre de lecture, et présente les pages de journaux particulièrement denses comme un domaine qui reste difficile. Préservez l'image source la plus nette et vérifiez les petits textes, les titres de tableaux, les indices et les valeurs décisives à partir de l'original. Si un passage est illisible, obtenez une meilleure numérisation ou une vue ciblée qui conserve assez de mise en page environnante pour en établir le rôle. Examinez aussi la sortie pour repérer les répétitions ou les sections omises avant de la traiter comme un enregistrement complet.
OCR 2 fournit les éléments reconnus pour la tâche suivante. Une demande en aval peut ensuite extraire des champs, construire une note consultable par recherche ou répondre à une question à partir du texte converti. Le producteur décrit la lecture optique de documents comme l'objectif actuel ; le raisonnement visuel plus large et les modalités supplémentaires sont des pistes de recherche. Gardez le livrable attendu spécifique à la reconnaissance et à la conversion documentaire lorsque vous sélectionnez cette édition.
", "aboutText": "DeepSeek OCR 2 convertit une image de document et une consigne textuelle en un résultat textuel. Ses principales invites publiées couvrent l'OCR libre et la conversion d'un document en Markdown avec des informations d'ancrage. La deuxième édition introduit DeepEncoder V2 et le flux causal visuel : l'encodeur apprend un ordre de lecture façonné par le contenu de l'image avant que le décodeur de langage ne l'interprète. Cela est particulièrement pertinent pour les pages contenant des colonnes, des tableaux, des formules et des mises en page non linéaires.\n\nArchitecture et ordre de lecture. Le modèle conserve une structure d'encodeur et de décodeur. DeepEncoder V2 remplace le composant CLIP de l'encodeur précédent par un encodeur compact de type modèle de langage. Les jetons visuels peuvent porter leur attention sur l'ensemble de l'image, tandis que des requêtes causales apprises organisent progressivement ces informations en une séquence pour le décodeur. La conception traite la différence entre la mise en page bidimensionnelle d'une page et l'ordre unidimensionnel nécessaire à la génération de son texte.\n\nPréparation des images et résolution. Le mode par défaut du fabricant à résolution dynamique utilise une vue globale de 1024 × 1024 et zéro à six vues locales de 768 × 768. La vue globale produit 256 jetons visuels et chaque vue locale en ajoute 144, donnant 256–1,120 jetons par image dans la configuration décrite. Il s'agit de réglages publiés du traitement par le modèle, plutôt que d'une demande de découper manuellement chaque page en ce nombre de morceaux. Fournissez une image lisible qui préserve les limites de la page et les relations entre les titres, les colonnes et les tableaux.\n\nL'encodeur comprend un tokeniseur visuel fondé sur SAM avec une compression convolutionnelle et un encodeur compact initialisé à partir de Qwen2 0.5B. Le décodeur reste le modèle à mélange d'experts 3B de la première édition OCR, avec environ 500 millions de paramètres actifs. L'entraînement passe par la préparation de l'encodeur, l'amélioration des requêtes et la spécialisation du décodeur ; l'étape finale fige l'encodeur et met à jour le décodeur. Cette révision met l'accent sur une meilleure logique de lecture visuelle tout en conservant des représentations d'images compressées.\n\nChoisir la tâche de sortie. L'OCR libre se concentre sur le texte reconnu sans mise en page. L'invite Markdown demande la conversion du document avec des informations de mise en page, ce qui facilite l'utilisation du résultat dans un pipeline de traitement de texte. Pour un rapport ou un article scientifique, le livrable obtenu peut conserver des sections lisibles que vous pouvez ensuite parcourir, résumer ou utiliser comme référence. Pour un tableau, vérifiez que les relations entre lignes et colonnes ont survécu à la conversion avant d'en extraire des champs numériques.\n\nPour un ensemble de pages, préparez les images des pages dans leur ordre d'origine et conservez un identifiant de page avec chaque sortie. Le projet officiel décrit des processus d'OCR d'images et de traitement PDF, avec l'enregistrement des résultats et l'inférence accélérée. Le rendu des pages, l'itération et l'assemblage relèvent du processus environnant. Gardez la sortie reconnue séparée de tout résumé ultérieur afin de pouvoir retracer une erreur d'extraction jusqu'à sa page source.\n\nVérification documentaire. La recherche examine le texte, les formules, les tableaux et l'ordre de lecture, et présente les pages de journaux particulièrement denses comme un domaine qui reste difficile. Préservez l'image source la plus nette et vérifiez les petits textes, les titres de tableaux, les indices et les valeurs décisives à partir de l'original. Si un passage est illisible, obtenez une meilleure numérisation ou une vue ciblée qui conserve assez de mise en page environnante pour en établir le rôle. Examinez aussi la sortie pour repérer les répétitions ou les sections omises avant de la traiter comme un enregistrement complet.\n\nOCR 2 fournit les éléments reconnus pour la tâche suivante. Une demande en aval peut ensuite extraire des champs, construire une note consultable par recherche ou répondre à une question à partir du texte converti. Le producteur décrit la lecture optique de documents comme l'objectif actuel ; le raisonnement visuel plus large et les modalités supplémentaires sont des pistes de recherche. Gardez le livrable attendu spécifique à la reconnaissance et à la conversion documentaire lorsque vous sélectionnez cette édition.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
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-2Le deuxième modèle OCR de DeepSeek convertit des images de documents en texte ou en Markdown tenant compte de la mise en page. Son DeepEncoder V2 organise les informations visuelles selon une logique de lecture, prenant en charge les pages qui combinent texte, formules, tableaux et mises en page complexes.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
DeepSeek OCR 2 convertit une image de document et une consigne textuelle en un résultat textuel. Ses principales invites publiées couvrent l'OCR libre et la conversion d'un document en Markdown avec des informations d'ancrage. La deuxième édition introduit DeepEncoder V2 et le flux causal visuel : l'encodeur apprend un ordre de lecture façonné par le contenu de l'image avant que le décodeur de langage ne l'interprète. Cela est particulièrement pertinent pour les pages contenant des colonnes, des tableaux, des formules et des mises en page non linéaires.
Architecture et ordre de lecture. Le modèle conserve une structure d'encodeur et de décodeur. DeepEncoder V2 remplace le composant CLIP de l'encodeur précédent par un encodeur compact de type modèle de langage. Les jetons visuels peuvent porter leur attention sur l'ensemble de l'image, tandis que des requêtes causales apprises organisent progressivement ces informations en une séquence pour le décodeur. La conception traite la différence entre la mise en page bidimensionnelle d'une page et l'ordre unidimensionnel nécessaire à la génération de son texte.
Préparation des images et résolution. Le mode par défaut du fabricant à résolution dynamique utilise une vue globale de 1024 × 1024 et zéro à six vues locales de 768 × 768. La vue globale produit 256 jetons visuels et chaque vue locale en ajoute 144, donnant 256–1,120 jetons par image dans la configuration décrite. Il s'agit de réglages publiés du traitement par le modèle, plutôt que d'une demande de découper manuellement chaque page en ce nombre de morceaux. Fournissez une image lisible qui préserve les limites de la page et les relations entre les titres, les colonnes et les tableaux.
L'encodeur comprend un tokeniseur visuel fondé sur SAM avec une compression convolutionnelle et un encodeur compact initialisé à partir de Qwen2 0.5B. Le décodeur reste le modèle à mélange d'experts 3B de la première édition OCR, avec environ 500 millions de paramètres actifs. L'entraînement passe par la préparation de l'encodeur, l'amélioration des requêtes et la spécialisation du décodeur ; l'étape finale fige l'encodeur et met à jour le décodeur. Cette révision met l'accent sur une meilleure logique de lecture visuelle tout en conservant des représentations d'images compressées.
Choisir la tâche de sortie. L'OCR libre se concentre sur le texte reconnu sans mise en page. L'invite Markdown demande la conversion du document avec des informations de mise en page, ce qui facilite l'utilisation du résultat dans un pipeline de traitement de texte. Pour un rapport ou un article scientifique, le livrable obtenu peut conserver des sections lisibles que vous pouvez ensuite parcourir, résumer ou utiliser comme référence. Pour un tableau, vérifiez que les relations entre lignes et colonnes ont survécu à la conversion avant d'en extraire des champs numériques.
Pour un ensemble de pages, préparez les images des pages dans leur ordre d'origine et conservez un identifiant de page avec chaque sortie. Le projet officiel décrit des processus d'OCR d'images et de traitement PDF, avec l'enregistrement des résultats et l'inférence accélérée. Le rendu des pages, l'itération et l'assemblage relèvent du processus environnant. Gardez la sortie reconnue séparée de tout résumé ultérieur afin de pouvoir retracer une erreur d'extraction jusqu'à sa page source.
Vérification documentaire. La recherche examine le texte, les formules, les tableaux et l'ordre de lecture, et présente les pages de journaux particulièrement denses comme un domaine qui reste difficile. Préservez l'image source la plus nette et vérifiez les petits textes, les titres de tableaux, les indices et les valeurs décisives à partir de l'original. Si un passage est illisible, obtenez une meilleure numérisation ou une vue ciblée qui conserve assez de mise en page environnante pour en établir le rôle. Examinez aussi la sortie pour repérer les répétitions ou les sections omises avant de la traiter comme un enregistrement complet.
OCR 2 fournit les éléments reconnus pour la tâche suivante. Une demande en aval peut ensuite extraire des champs, construire une note consultable par recherche ou répondre à une question à partir du texte converti. Le producteur décrit la lecture optique de documents comme l'objectif actuel ; le raisonnement visuel plus large et les modalités supplémentaires sont des pistes de recherche. Gardez le livrable attendu spécifique à la reconnaissance et à la conversion documentaire lorsque vous sélectionnez cette édition.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites deepseek/deepseek-ocr-2 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.000062 / 1K tokens Sortie · Tokens en sortie $0.000062 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra deepseek/deepseek-ocr-2
Utilisez les chemins de méthode indiqués ci-dessus.
deepseek/deepseek-ocr-2Le deuxième modèle OCR de DeepSeek convertit des images de documents en texte ou en Markdown tenant compte de la mise en page. Son DeepEncoder V2 organise les informations visuelles selon une logique de lecture, prenant en charge les pages qui combinent texte, formules, tableaux et mises en page complexes.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
DeepSeek OCR 2 convertit une image de document et une consigne textuelle en un résultat textuel. Ses principales invites publiées couvrent l'OCR libre et la conversion d'un document en Markdown avec des informations d'ancrage. La deuxième édition introduit DeepEncoder V2 et le flux causal visuel : l'encodeur apprend un ordre de lecture façonné par le contenu de l'image avant que le décodeur de langage ne l'interprète. Cela est particulièrement pertinent pour les pages contenant des colonnes, des tableaux, des formules et des mises en page non linéaires.
Architecture et ordre de lecture. Le modèle conserve une structure d'encodeur et de décodeur. DeepEncoder V2 remplace le composant CLIP de l'encodeur précédent par un encodeur compact de type modèle de langage. Les jetons visuels peuvent porter leur attention sur l'ensemble de l'image, tandis que des requêtes causales apprises organisent progressivement ces informations en une séquence pour le décodeur. La conception traite la différence entre la mise en page bidimensionnelle d'une page et l'ordre unidimensionnel nécessaire à la génération de son texte.
Préparation des images et résolution. Le mode par défaut du fabricant à résolution dynamique utilise une vue globale de 1024 × 1024 et zéro à six vues locales de 768 × 768. La vue globale produit 256 jetons visuels et chaque vue locale en ajoute 144, donnant 256–1,120 jetons par image dans la configuration décrite. Il s'agit de réglages publiés du traitement par le modèle, plutôt que d'une demande de découper manuellement chaque page en ce nombre de morceaux. Fournissez une image lisible qui préserve les limites de la page et les relations entre les titres, les colonnes et les tableaux.
L'encodeur comprend un tokeniseur visuel fondé sur SAM avec une compression convolutionnelle et un encodeur compact initialisé à partir de Qwen2 0.5B. Le décodeur reste le modèle à mélange d'experts 3B de la première édition OCR, avec environ 500 millions de paramètres actifs. L'entraînement passe par la préparation de l'encodeur, l'amélioration des requêtes et la spécialisation du décodeur ; l'étape finale fige l'encodeur et met à jour le décodeur. Cette révision met l'accent sur une meilleure logique de lecture visuelle tout en conservant des représentations d'images compressées.
Choisir la tâche de sortie. L'OCR libre se concentre sur le texte reconnu sans mise en page. L'invite Markdown demande la conversion du document avec des informations de mise en page, ce qui facilite l'utilisation du résultat dans un pipeline de traitement de texte. Pour un rapport ou un article scientifique, le livrable obtenu peut conserver des sections lisibles que vous pouvez ensuite parcourir, résumer ou utiliser comme référence. Pour un tableau, vérifiez que les relations entre lignes et colonnes ont survécu à la conversion avant d'en extraire des champs numériques.
Pour un ensemble de pages, préparez les images des pages dans leur ordre d'origine et conservez un identifiant de page avec chaque sortie. Le projet officiel décrit des processus d'OCR d'images et de traitement PDF, avec l'enregistrement des résultats et l'inférence accélérée. Le rendu des pages, l'itération et l'assemblage relèvent du processus environnant. Gardez la sortie reconnue séparée de tout résumé ultérieur afin de pouvoir retracer une erreur d'extraction jusqu'à sa page source.
Vérification documentaire. La recherche examine le texte, les formules, les tableaux et l'ordre de lecture, et présente les pages de journaux particulièrement denses comme un domaine qui reste difficile. Préservez l'image source la plus nette et vérifiez les petits textes, les titres de tableaux, les indices et les valeurs décisives à partir de l'original. Si un passage est illisible, obtenez une meilleure numérisation ou une vue ciblée qui conserve assez de mise en page environnante pour en établir le rôle. Examinez aussi la sortie pour repérer les répétitions ou les sections omises avant de la traiter comme un enregistrement complet.
OCR 2 fournit les éléments reconnus pour la tâche suivante. Une demande en aval peut ensuite extraire des champs, construire une note consultable par recherche ou répondre à une question à partir du texte converti. Le producteur décrit la lecture optique de documents comme l'objectif actuel ; le raisonnement visuel plus large et les modalités supplémentaires sont des pistes de recherche. Gardez le livrable attendu spécifique à la reconnaissance et à la conversion documentaire lorsque vous sélectionnez cette édition.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites deepseek/deepseek-ocr-2 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.000062 / 1K tokens Sortie · Tokens en sortie $0.000062 / 1K tokens Entrée · Lecture du cache $0 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "deepseek/deepseek-ocr-2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra deepseek/deepseek-ocr-2
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
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.