DeepSeek OCR 2 mengubah gambar dokumen dan instruksi teks menjadi hasil teks. Prompt utama yang dipublikasikan mencakup OCR bebas dan konversi dokumen ke Markdown dengan informasi grounding. Edisi kedua memperkenalkan DeepEncoder V2 dan aliran kausal visual: encoder mempelajari urutan pembacaan yang dibentuk oleh isi gambar sebelum decoder bahasa menafsirkannya. Hal ini sangat relevan untuk halaman dengan kolom, tabel, rumus, dan tata letak nonlinier.
Arsitektur dan urutan pembacaan. Model ini mempertahankan struktur encoder dan decoder. DeepEncoder V2 mengganti komponen CLIP pada encoder sebelumnya dengan encoder ringkas bergaya model bahasa. Token visual dapat menggunakan attention di seluruh gambar, sementara kueri kausal yang dipelajari secara bertahap menyusun informasi tersebut menjadi urutan untuk decoder. Rancangan ini menangani perbedaan antara tata letak dua dimensi suatu halaman dan urutan satu dimensi yang diperlukan untuk menghasilkan teksnya.
Penyiapan gambar dan resolusi. Mode resolusi dinamis bawaan pembuat menggunakan satu tampilan global 1024 × 1024 dan nol hingga enam tampilan lokal 768 × 768. Tampilan global menghasilkan 256 token visual dan setiap tampilan lokal menambahkan 144, sehingga menghasilkan 256–1,120 token per gambar dalam konfigurasi yang dijelaskan. Ini merupakan pengaturan pemrosesan model yang dipublikasikan, bukan permintaan untuk memotong setiap halaman secara manual menjadi sejumlah bagian tersebut. Berikan gambar yang terbaca dengan mempertahankan batas halaman dan hubungan antara judul, kolom, serta tabel.
Encoder mencakup tokenizer visual berbasis SAM dengan kompresi konvolusional dan encoder ringkas yang diinisialisasi dari Qwen2 0.5B. Decoder tetap menggunakan model mixture-of-experts 3B dari edisi OCR pertama, dengan sekitar 500 juta parameter aktif. Pelatihan berlangsung melalui penyiapan encoder, peningkatan kueri, dan spesialisasi decoder; tahap akhir membekukan encoder dan memperbarui decoder. Penekanan revisi ini adalah logika pembacaan visual yang lebih baik sambil mempertahankan representasi gambar yang terkompresi.
Pilih tugas keluaran. OCR bebas berfokus pada teks yang dikenali tanpa tata letak. Prompt Markdown meminta konversi dokumen dengan informasi tata letak, sehingga hasilnya lebih mudah digunakan dalam rangkaian pemrosesan teks. Untuk laporan atau makalah, artefak yang dihasilkan dapat mempertahankan bagian yang terbaca, yang selanjutnya Anda cari, ringkas, atau gunakan sebagai materi referensi. Untuk tabel, periksa apakah hubungan baris dan kolom tetap terjaga setelah konversi sebelum mengekstrak bidang numerik darinya.
Untuk kumpulan halaman, siapkan gambar halaman dalam urutan aslinya dan pertahankan pengenal halaman bersama setiap keluaran. Proyek resmi menjelaskan alur kerja OCR gambar dan pemrosesan PDF, termasuk penyimpanan hasil serta inferensi yang dipercepat. Perenderan halaman, iterasi, dan penggabungan menjadi tanggung jawab proses yang menaunginya. Pisahkan keluaran yang dikenali dari ringkasan berikutnya agar kesalahan ekstraksi dapat ditelusuri kembali ke halaman sumbernya.
Peninjauan dokumen. Riset ini menelaah teks, rumus, tabel, dan urutan pembacaan, serta membahas halaman koran yang sangat padat sebagai area yang masih sulit. Pertahankan gambar sumber paling jelas dan periksa teks kecil, judul tabel, subskrip, serta nilai penentu berdasarkan dokumen asli. Jika suatu bagian tidak terbaca, dapatkan pemindaian yang lebih baik atau tampilan terarah yang mempertahankan cukup tata letak di sekitarnya untuk menetapkan perannya. Periksa juga apakah terdapat pengulangan atau bagian yang terlewat dalam keluaran sebelum memperlakukannya sebagai catatan lengkap.
OCR 2 menyediakan materi yang dikenali untuk tugas berikutnya. Permintaan lanjutan kemudian dapat mengekstrak bidang, menyusun catatan yang dapat ditelusuri, atau menjawab pertanyaan berdasarkan teks hasil konversi. Pembuat menjelaskan pembacaan dokumen optis sebagai fokus saat ini; penalaran visual yang lebih luas dan modalitas tambahan merupakan arah riset. Pertahankan artefak yang diharapkan secara spesifik pada pengenalan dan konversi dokumen saat memilih edisi ini.
", "aboutText": "DeepSeek OCR 2 mengubah gambar dokumen dan instruksi teks menjadi hasil teks. Prompt utama yang dipublikasikan mencakup OCR bebas dan konversi dokumen ke Markdown dengan informasi grounding. Edisi kedua memperkenalkan DeepEncoder V2 dan aliran kausal visual: encoder mempelajari urutan pembacaan yang dibentuk oleh isi gambar sebelum decoder bahasa menafsirkannya. Hal ini sangat relevan untuk halaman dengan kolom, tabel, rumus, dan tata letak nonlinier.\n\nArsitektur dan urutan pembacaan. Model ini mempertahankan struktur encoder dan decoder. DeepEncoder V2 mengganti komponen CLIP pada encoder sebelumnya dengan encoder ringkas bergaya model bahasa. Token visual dapat menggunakan attention di seluruh gambar, sementara kueri kausal yang dipelajari secara bertahap menyusun informasi tersebut menjadi urutan untuk decoder. Rancangan ini menangani perbedaan antara tata letak dua dimensi suatu halaman dan urutan satu dimensi yang diperlukan untuk menghasilkan teksnya.\n\nPenyiapan gambar dan resolusi. Mode resolusi dinamis bawaan pembuat menggunakan satu tampilan global 1024 × 1024 dan nol hingga enam tampilan lokal 768 × 768. Tampilan global menghasilkan 256 token visual dan setiap tampilan lokal menambahkan 144, sehingga menghasilkan 256–1,120 token per gambar dalam konfigurasi yang dijelaskan. Ini merupakan pengaturan pemrosesan model yang dipublikasikan, bukan permintaan untuk memotong setiap halaman secara manual menjadi sejumlah bagian tersebut. Berikan gambar yang terbaca dengan mempertahankan batas halaman dan hubungan antara judul, kolom, serta tabel.\n\nEncoder mencakup tokenizer visual berbasis SAM dengan kompresi konvolusional dan encoder ringkas yang diinisialisasi dari Qwen2 0.5B. Decoder tetap menggunakan model mixture-of-experts 3B dari edisi OCR pertama, dengan sekitar 500 juta parameter aktif. Pelatihan berlangsung melalui penyiapan encoder, peningkatan kueri, dan spesialisasi decoder; tahap akhir membekukan encoder dan memperbarui decoder. Penekanan revisi ini adalah logika pembacaan visual yang lebih baik sambil mempertahankan representasi gambar yang terkompresi.\n\nPilih tugas keluaran. OCR bebas berfokus pada teks yang dikenali tanpa tata letak. Prompt Markdown meminta konversi dokumen dengan informasi tata letak, sehingga hasilnya lebih mudah digunakan dalam rangkaian pemrosesan teks. Untuk laporan atau makalah, artefak yang dihasilkan dapat mempertahankan bagian yang terbaca, yang selanjutnya Anda cari, ringkas, atau gunakan sebagai materi referensi. Untuk tabel, periksa apakah hubungan baris dan kolom tetap terjaga setelah konversi sebelum mengekstrak bidang numerik darinya.\n\nUntuk kumpulan halaman, siapkan gambar halaman dalam urutan aslinya dan pertahankan pengenal halaman bersama setiap keluaran. Proyek resmi menjelaskan alur kerja OCR gambar dan pemrosesan PDF, termasuk penyimpanan hasil serta inferensi yang dipercepat. Perenderan halaman, iterasi, dan penggabungan menjadi tanggung jawab proses yang menaunginya. Pisahkan keluaran yang dikenali dari ringkasan berikutnya agar kesalahan ekstraksi dapat ditelusuri kembali ke halaman sumbernya.\n\nPeninjauan dokumen. Riset ini menelaah teks, rumus, tabel, dan urutan pembacaan, serta membahas halaman koran yang sangat padat sebagai area yang masih sulit. Pertahankan gambar sumber paling jelas dan periksa teks kecil, judul tabel, subskrip, serta nilai penentu berdasarkan dokumen asli. Jika suatu bagian tidak terbaca, dapatkan pemindaian yang lebih baik atau tampilan terarah yang mempertahankan cukup tata letak di sekitarnya untuk menetapkan perannya. Periksa juga apakah terdapat pengulangan atau bagian yang terlewat dalam keluaran sebelum memperlakukannya sebagai catatan lengkap.\n\nOCR 2 menyediakan materi yang dikenali untuk tugas berikutnya. Permintaan lanjutan kemudian dapat mengekstrak bidang, menyusun catatan yang dapat ditelusuri, atau menjawab pertanyaan berdasarkan teks hasil konversi. Pembuat menjelaskan pembacaan dokumen optis sebagai fokus saat ini; penalaran visual yang lebih luas dan modalitas tambahan merupakan arah riset. Pertahankan artefak yang diharapkan secara spesifik pada pengenalan dan konversi dokumen saat memilih edisi ini.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
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-2Model OCR kedua dari DeepSeek mengubah gambar dokumen menjadi teks atau Markdown yang mempertimbangkan tata letak. DeepEncoder V2-nya menyusun informasi visual berdasarkan logika pembacaan, mendukung halaman yang menggabungkan teks, rumus, tabel, dan tata letak kompleks.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
DeepSeek OCR 2 mengubah gambar dokumen dan instruksi teks menjadi hasil teks. Prompt utama yang dipublikasikan mencakup OCR bebas dan konversi dokumen ke Markdown dengan informasi grounding. Edisi kedua memperkenalkan DeepEncoder V2 dan aliran kausal visual: encoder mempelajari urutan pembacaan yang dibentuk oleh isi gambar sebelum decoder bahasa menafsirkannya. Hal ini sangat relevan untuk halaman dengan kolom, tabel, rumus, dan tata letak nonlinier.
Arsitektur dan urutan pembacaan. Model ini mempertahankan struktur encoder dan decoder. DeepEncoder V2 mengganti komponen CLIP pada encoder sebelumnya dengan encoder ringkas bergaya model bahasa. Token visual dapat menggunakan attention di seluruh gambar, sementara kueri kausal yang dipelajari secara bertahap menyusun informasi tersebut menjadi urutan untuk decoder. Rancangan ini menangani perbedaan antara tata letak dua dimensi suatu halaman dan urutan satu dimensi yang diperlukan untuk menghasilkan teksnya.
Penyiapan gambar dan resolusi. Mode resolusi dinamis bawaan pembuat menggunakan satu tampilan global 1024 × 1024 dan nol hingga enam tampilan lokal 768 × 768. Tampilan global menghasilkan 256 token visual dan setiap tampilan lokal menambahkan 144, sehingga menghasilkan 256–1,120 token per gambar dalam konfigurasi yang dijelaskan. Ini merupakan pengaturan pemrosesan model yang dipublikasikan, bukan permintaan untuk memotong setiap halaman secara manual menjadi sejumlah bagian tersebut. Berikan gambar yang terbaca dengan mempertahankan batas halaman dan hubungan antara judul, kolom, serta tabel.
Encoder mencakup tokenizer visual berbasis SAM dengan kompresi konvolusional dan encoder ringkas yang diinisialisasi dari Qwen2 0.5B. Decoder tetap menggunakan model mixture-of-experts 3B dari edisi OCR pertama, dengan sekitar 500 juta parameter aktif. Pelatihan berlangsung melalui penyiapan encoder, peningkatan kueri, dan spesialisasi decoder; tahap akhir membekukan encoder dan memperbarui decoder. Penekanan revisi ini adalah logika pembacaan visual yang lebih baik sambil mempertahankan representasi gambar yang terkompresi.
Pilih tugas keluaran. OCR bebas berfokus pada teks yang dikenali tanpa tata letak. Prompt Markdown meminta konversi dokumen dengan informasi tata letak, sehingga hasilnya lebih mudah digunakan dalam rangkaian pemrosesan teks. Untuk laporan atau makalah, artefak yang dihasilkan dapat mempertahankan bagian yang terbaca, yang selanjutnya Anda cari, ringkas, atau gunakan sebagai materi referensi. Untuk tabel, periksa apakah hubungan baris dan kolom tetap terjaga setelah konversi sebelum mengekstrak bidang numerik darinya.
Untuk kumpulan halaman, siapkan gambar halaman dalam urutan aslinya dan pertahankan pengenal halaman bersama setiap keluaran. Proyek resmi menjelaskan alur kerja OCR gambar dan pemrosesan PDF, termasuk penyimpanan hasil serta inferensi yang dipercepat. Perenderan halaman, iterasi, dan penggabungan menjadi tanggung jawab proses yang menaunginya. Pisahkan keluaran yang dikenali dari ringkasan berikutnya agar kesalahan ekstraksi dapat ditelusuri kembali ke halaman sumbernya.
Peninjauan dokumen. Riset ini menelaah teks, rumus, tabel, dan urutan pembacaan, serta membahas halaman koran yang sangat padat sebagai area yang masih sulit. Pertahankan gambar sumber paling jelas dan periksa teks kecil, judul tabel, subskrip, serta nilai penentu berdasarkan dokumen asli. Jika suatu bagian tidak terbaca, dapatkan pemindaian yang lebih baik atau tampilan terarah yang mempertahankan cukup tata letak di sekitarnya untuk menetapkan perannya. Periksa juga apakah terdapat pengulangan atau bagian yang terlewat dalam keluaran sebelum memperlakukannya sebagai catatan lengkap.
OCR 2 menyediakan materi yang dikenali untuk tugas berikutnya. Permintaan lanjutan kemudian dapat mengekstrak bidang, menyusun catatan yang dapat ditelusuri, atau menjawab pertanyaan berdasarkan teks hasil konversi. Pembuat menjelaskan pembacaan dokumen optis sebagai fokus saat ini; penalaran visual yang lebih luas dan modalitas tambahan merupakan arah riset. Pertahankan artefak yang diharapkan secara spesifik pada pengenalan dan konversi dokumen saat memilih edisi ini.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan deepseek/deepseek-ocr-2 | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.000062 / 1K token Keluaran · Token keluaran $0.000062 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra deepseek/deepseek-ocr-2
Gunakan jalur metode yang ditampilkan di atas.
deepseek/deepseek-ocr-2Model OCR kedua dari DeepSeek mengubah gambar dokumen menjadi teks atau Markdown yang mempertimbangkan tata letak. DeepEncoder V2-nya menyusun informasi visual berdasarkan logika pembacaan, mendukung halaman yang menggabungkan teks, rumus, tabel, dan tata letak kompleks.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
DeepSeek OCR 2 mengubah gambar dokumen dan instruksi teks menjadi hasil teks. Prompt utama yang dipublikasikan mencakup OCR bebas dan konversi dokumen ke Markdown dengan informasi grounding. Edisi kedua memperkenalkan DeepEncoder V2 dan aliran kausal visual: encoder mempelajari urutan pembacaan yang dibentuk oleh isi gambar sebelum decoder bahasa menafsirkannya. Hal ini sangat relevan untuk halaman dengan kolom, tabel, rumus, dan tata letak nonlinier.
Arsitektur dan urutan pembacaan. Model ini mempertahankan struktur encoder dan decoder. DeepEncoder V2 mengganti komponen CLIP pada encoder sebelumnya dengan encoder ringkas bergaya model bahasa. Token visual dapat menggunakan attention di seluruh gambar, sementara kueri kausal yang dipelajari secara bertahap menyusun informasi tersebut menjadi urutan untuk decoder. Rancangan ini menangani perbedaan antara tata letak dua dimensi suatu halaman dan urutan satu dimensi yang diperlukan untuk menghasilkan teksnya.
Penyiapan gambar dan resolusi. Mode resolusi dinamis bawaan pembuat menggunakan satu tampilan global 1024 × 1024 dan nol hingga enam tampilan lokal 768 × 768. Tampilan global menghasilkan 256 token visual dan setiap tampilan lokal menambahkan 144, sehingga menghasilkan 256–1,120 token per gambar dalam konfigurasi yang dijelaskan. Ini merupakan pengaturan pemrosesan model yang dipublikasikan, bukan permintaan untuk memotong setiap halaman secara manual menjadi sejumlah bagian tersebut. Berikan gambar yang terbaca dengan mempertahankan batas halaman dan hubungan antara judul, kolom, serta tabel.
Encoder mencakup tokenizer visual berbasis SAM dengan kompresi konvolusional dan encoder ringkas yang diinisialisasi dari Qwen2 0.5B. Decoder tetap menggunakan model mixture-of-experts 3B dari edisi OCR pertama, dengan sekitar 500 juta parameter aktif. Pelatihan berlangsung melalui penyiapan encoder, peningkatan kueri, dan spesialisasi decoder; tahap akhir membekukan encoder dan memperbarui decoder. Penekanan revisi ini adalah logika pembacaan visual yang lebih baik sambil mempertahankan representasi gambar yang terkompresi.
Pilih tugas keluaran. OCR bebas berfokus pada teks yang dikenali tanpa tata letak. Prompt Markdown meminta konversi dokumen dengan informasi tata letak, sehingga hasilnya lebih mudah digunakan dalam rangkaian pemrosesan teks. Untuk laporan atau makalah, artefak yang dihasilkan dapat mempertahankan bagian yang terbaca, yang selanjutnya Anda cari, ringkas, atau gunakan sebagai materi referensi. Untuk tabel, periksa apakah hubungan baris dan kolom tetap terjaga setelah konversi sebelum mengekstrak bidang numerik darinya.
Untuk kumpulan halaman, siapkan gambar halaman dalam urutan aslinya dan pertahankan pengenal halaman bersama setiap keluaran. Proyek resmi menjelaskan alur kerja OCR gambar dan pemrosesan PDF, termasuk penyimpanan hasil serta inferensi yang dipercepat. Perenderan halaman, iterasi, dan penggabungan menjadi tanggung jawab proses yang menaunginya. Pisahkan keluaran yang dikenali dari ringkasan berikutnya agar kesalahan ekstraksi dapat ditelusuri kembali ke halaman sumbernya.
Peninjauan dokumen. Riset ini menelaah teks, rumus, tabel, dan urutan pembacaan, serta membahas halaman koran yang sangat padat sebagai area yang masih sulit. Pertahankan gambar sumber paling jelas dan periksa teks kecil, judul tabel, subskrip, serta nilai penentu berdasarkan dokumen asli. Jika suatu bagian tidak terbaca, dapatkan pemindaian yang lebih baik atau tampilan terarah yang mempertahankan cukup tata letak di sekitarnya untuk menetapkan perannya. Periksa juga apakah terdapat pengulangan atau bagian yang terlewat dalam keluaran sebelum memperlakukannya sebagai catatan lengkap.
OCR 2 menyediakan materi yang dikenali untuk tugas berikutnya. Permintaan lanjutan kemudian dapat mengekstrak bidang, menyusun catatan yang dapat ditelusuri, atau menjawab pertanyaan berdasarkan teks hasil konversi. Pembuat menjelaskan pembacaan dokumen optis sebagai fokus saat ini; penalaran visual yang lebih luas dan modalitas tambahan merupakan arah riset. Pertahankan artefak yang diharapkan secara spesifik pada pengenalan dan konversi dokumen saat memilih edisi ini.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan deepseek/deepseek-ocr-2 | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.000062 / 1K token Keluaran · Token keluaran $0.000062 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "deepseek/deepseek-ocr-2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra deepseek/deepseek-ocr-2
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
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.