DeepSeek OCR 2 dokumento vaizdą ir tekstinę instrukciją paverčia tekstiniu rezultatu. Pagrindinės paskelbtos užklausos apima laisvąjį OCR ir dokumento konvertavimą į Markdown su susiejimo su vaizdu informacija. Antrasis leidimas pristato DeepEncoder V2 ir vaizdinį priežastinį srautą: prieš kalbiniam dekoderiui interpretuojant informaciją, koduotuvas išmoksta skaitymo tvarką, kurią formuoja vaizdo turinys. Tai ypač aktualu puslapiams su stulpeliais, lentelėmis, formulėmis ir netiesiniais maketais.
Architektūra ir skaitymo tvarka. Modelis išlaiko koduotuvo ir dekoderio struktūrą. DeepEncoder V2 ankstesnio koduotuvo CLIP komponentą pakeičia kompaktišku kalbinio modelio tipo koduotuvu. Vaizdiniai žetonai gali apimti dėmesiu visą vaizdą, o išmoktos priežastinės užklausos palaipsniui organizuoja tą informaciją į dekoderiui skirtą seką. Šis sprendimas nagrinėja skirtumą tarp dvimačio puslapio maketo ir vienmatės tvarkos, reikalingos jo tekstui generuoti.
Vaizdo paruošimas ir raiška. Numatytasis gamintojo dinaminės raiškos režimas naudoja vieną bendrą 1024 × 1024 vaizdą ir nuo nulio iki šešių vietinių 768 × 768 vaizdų. Bendras vaizdas sukuria 256 vaizdinius žetonus, o kiekvienas vietinis prideda 144, todėl aprašytoje sąrankoje vienam vaizdui tenka 256–1,120 žetonų. Tai paskelbti modelio apdorojimo nustatymai, o ne reikalavimas rankiniu būdu kiekvieną puslapį supjaustyti į tokį dalių skaičių. Pateikite įskaitomą vaizdą, išsaugantį puslapio ribas ir ryšius tarp antraščių, stulpelių bei lentelių.
Koduotuvas apima SAM pagrįstą vaizdinį žetonizatorių su konvoliuciniu glaudinimu ir kompaktišką koduotuvą, inicijuotą iš Qwen2 0.5B. Dekoderis lieka pirmojo OCR leidimo 3B ekspertų mišinio modelis, turintis maždaug 500 milijonų aktyvių parametrų. Apmokymas vyksta per koduotuvo parengimą, užklausų tobulinimą ir dekoderio specializaciją; paskutiniame etape koduotuvas fiksuojamas ir atnaujinamas dekoderis. Šio atnaujinimo akcentas – geresnė vaizdinio skaitymo logika, išlaikant suglaudintus vaizdų atvaizdus.
Pasirinkite išvesties užduotį. Laisvasis OCR sutelkiamas į atpažintą tekstą be maketo. Markdown užklausa prašo konvertuoti dokumentą su maketo informacija, todėl rezultatą lengviau naudoti teksto apdorojimo eigoje. Ataskaitai ar straipsniui gautas artefaktas gali išsaugoti skaitomus skyrius, kuriuose vėliau ieškosite, kuriuos apibendrinsite ar naudosite kaip nuorodinę medžiagą. Lentelei, prieš išgaudami skaitinius laukus, patikrinkite, ar konvertuojant išliko eilučių ir stulpelių ryšiai.
Puslapių rinkiniui paruoškite puslapių vaizdus pradine tvarka ir su kiekviena išvestimi išsaugokite puslapio identifikatorių. Oficialiame projekte aprašomos ir vaizdų OCR, ir PDF apdorojimo darbo eigos, įskaitant rezultatų saugojimą bei spartintą inferenciją. Puslapių atvaizdavimas, iteravimas ir surinkimas yra aplinkinio proceso atsakomybė. Atpažintą išvestį laikykite atskirai nuo bet kurios vėlesnės santraukos, kad išgavimo klaidą būtų galima atsekti iki jos pirminio puslapio.
Dokumento peržiūra. Tyrime nagrinėjamas tekstas, formulės, lentelės ir skaitymo tvarka, o ypač tankūs laikraščių puslapiai aptariami kaip vis dar sudėtinga sritis. Išsaugokite aiškiausią pirminį vaizdą ir pagal originalą patikrinkite smulkų tekstą, lentelių antraštes, apatinius indeksus bei lemiamas reikšmes. Jei ištrauka neįskaitoma, gaukite geresnį skenavimą ar sutelktą vaizdą, išsaugantį pakankamai aplinkinio maketo jos paskirčiai nustatyti. Taip pat patikrinkite, ar išvestyje nėra pasikartojimų ar praleistų skyrių, prieš laikydami ją išsamiu įrašu.
OCR 2 pateikia atpažintą medžiagą kitai užduočiai. Vėlesnė užklausa iš konvertuoto teksto gali išgauti laukus, sukurti paieškai tinkamą užrašą ar atsakyti į klausimą. Gamintojas optinį dokumentų skaitymą apibūdina kaip dabartinį tikslą; platesnis vaizdinis samprotavimas ir papildomos modalumų rūšys yra tyrimų kryptys. Rinkdamiesi šį leidimą, numatomą artefaktą konkrečiai siekite su atpažinimu ir dokumentų konvertavimu.
", "aboutText": "DeepSeek OCR 2 dokumento vaizdą ir tekstinę instrukciją paverčia tekstiniu rezultatu. Pagrindinės paskelbtos užklausos apima laisvąjį OCR ir dokumento konvertavimą į Markdown su susiejimo su vaizdu informacija. Antrasis leidimas pristato DeepEncoder V2 ir vaizdinį priežastinį srautą: prieš kalbiniam dekoderiui interpretuojant informaciją, koduotuvas išmoksta skaitymo tvarką, kurią formuoja vaizdo turinys. Tai ypač aktualu puslapiams su stulpeliais, lentelėmis, formulėmis ir netiesiniais maketais.\n\nArchitektūra ir skaitymo tvarka. Modelis išlaiko koduotuvo ir dekoderio struktūrą. DeepEncoder V2 ankstesnio koduotuvo CLIP komponentą pakeičia kompaktišku kalbinio modelio tipo koduotuvu. Vaizdiniai žetonai gali apimti dėmesiu visą vaizdą, o išmoktos priežastinės užklausos palaipsniui organizuoja tą informaciją į dekoderiui skirtą seką. Šis sprendimas nagrinėja skirtumą tarp dvimačio puslapio maketo ir vienmatės tvarkos, reikalingos jo tekstui generuoti.\n\nVaizdo paruošimas ir raiška. Numatytasis gamintojo dinaminės raiškos režimas naudoja vieną bendrą 1024 × 1024 vaizdą ir nuo nulio iki šešių vietinių 768 × 768 vaizdų. Bendras vaizdas sukuria 256 vaizdinius žetonus, o kiekvienas vietinis prideda 144, todėl aprašytoje sąrankoje vienam vaizdui tenka 256–1,120 žetonų. Tai paskelbti modelio apdorojimo nustatymai, o ne reikalavimas rankiniu būdu kiekvieną puslapį supjaustyti į tokį dalių skaičių. Pateikite įskaitomą vaizdą, išsaugantį puslapio ribas ir ryšius tarp antraščių, stulpelių bei lentelių.\n\nKoduotuvas apima SAM pagrįstą vaizdinį žetonizatorių su konvoliuciniu glaudinimu ir kompaktišką koduotuvą, inicijuotą iš Qwen2 0.5B. Dekoderis lieka pirmojo OCR leidimo 3B ekspertų mišinio modelis, turintis maždaug 500 milijonų aktyvių parametrų. Apmokymas vyksta per koduotuvo parengimą, užklausų tobulinimą ir dekoderio specializaciją; paskutiniame etape koduotuvas fiksuojamas ir atnaujinamas dekoderis. Šio atnaujinimo akcentas – geresnė vaizdinio skaitymo logika, išlaikant suglaudintus vaizdų atvaizdus.\n\nPasirinkite išvesties užduotį. Laisvasis OCR sutelkiamas į atpažintą tekstą be maketo. Markdown užklausa prašo konvertuoti dokumentą su maketo informacija, todėl rezultatą lengviau naudoti teksto apdorojimo eigoje. Ataskaitai ar straipsniui gautas artefaktas gali išsaugoti skaitomus skyrius, kuriuose vėliau ieškosite, kuriuos apibendrinsite ar naudosite kaip nuorodinę medžiagą. Lentelei, prieš išgaudami skaitinius laukus, patikrinkite, ar konvertuojant išliko eilučių ir stulpelių ryšiai.\n\nPuslapių rinkiniui paruoškite puslapių vaizdus pradine tvarka ir su kiekviena išvestimi išsaugokite puslapio identifikatorių. Oficialiame projekte aprašomos ir vaizdų OCR, ir PDF apdorojimo darbo eigos, įskaitant rezultatų saugojimą bei spartintą inferenciją. Puslapių atvaizdavimas, iteravimas ir surinkimas yra aplinkinio proceso atsakomybė. Atpažintą išvestį laikykite atskirai nuo bet kurios vėlesnės santraukos, kad išgavimo klaidą būtų galima atsekti iki jos pirminio puslapio.\n\nDokumento peržiūra. Tyrime nagrinėjamas tekstas, formulės, lentelės ir skaitymo tvarka, o ypač tankūs laikraščių puslapiai aptariami kaip vis dar sudėtinga sritis. Išsaugokite aiškiausią pirminį vaizdą ir pagal originalą patikrinkite smulkų tekstą, lentelių antraštes, apatinius indeksus bei lemiamas reikšmes. Jei ištrauka neįskaitoma, gaukite geresnį skenavimą ar sutelktą vaizdą, išsaugantį pakankamai aplinkinio maketo jos paskirčiai nustatyti. Taip pat patikrinkite, ar išvestyje nėra pasikartojimų ar praleistų skyrių, prieš laikydami ją išsamiu įrašu.\n\nOCR 2 pateikia atpažintą medžiagą kitai užduočiai. Vėlesnė užklausa iš konvertuoto teksto gali išgauti laukus, sukurti paieškai tinkamą užrašą ar atsakyti į klausimą. Gamintojas optinį dokumentų skaitymą apibūdina kaip dabartinį tikslą; platesnis vaizdinis samprotavimas ir papildomos modalumų rūšys yra tyrimų kryptys. Rinkdamiesi šį leidimą, numatomą artefaktą konkrečiai siekite su atpažinimu ir dokumentų konvertavimu.", "editorialOverlay": { "copy_fields": { "practical_html": "Techninis pavyzdys anglų kalba
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-2Antrasis DeepSeek OCR modelis dokumentų vaizdus paverčia tekstu arba maketą išsaugančiu Markdown. Jo DeepEncoder V2 organizuoja vaizdinę informaciją pagal skaitymo logiką ir palaiko puslapius, kuriuose dera tekstas, formulės, lentelės bei sudėtingi maketai.
Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.
DeepSeek OCR 2 dokumento vaizdą ir tekstinę instrukciją paverčia tekstiniu rezultatu. Pagrindinės paskelbtos užklausos apima laisvąjį OCR ir dokumento konvertavimą į Markdown su susiejimo su vaizdu informacija. Antrasis leidimas pristato DeepEncoder V2 ir vaizdinį priežastinį srautą: prieš kalbiniam dekoderiui interpretuojant informaciją, koduotuvas išmoksta skaitymo tvarką, kurią formuoja vaizdo turinys. Tai ypač aktualu puslapiams su stulpeliais, lentelėmis, formulėmis ir netiesiniais maketais.
Architektūra ir skaitymo tvarka. Modelis išlaiko koduotuvo ir dekoderio struktūrą. DeepEncoder V2 ankstesnio koduotuvo CLIP komponentą pakeičia kompaktišku kalbinio modelio tipo koduotuvu. Vaizdiniai žetonai gali apimti dėmesiu visą vaizdą, o išmoktos priežastinės užklausos palaipsniui organizuoja tą informaciją į dekoderiui skirtą seką. Šis sprendimas nagrinėja skirtumą tarp dvimačio puslapio maketo ir vienmatės tvarkos, reikalingos jo tekstui generuoti.
Vaizdo paruošimas ir raiška. Numatytasis gamintojo dinaminės raiškos režimas naudoja vieną bendrą 1024 × 1024 vaizdą ir nuo nulio iki šešių vietinių 768 × 768 vaizdų. Bendras vaizdas sukuria 256 vaizdinius žetonus, o kiekvienas vietinis prideda 144, todėl aprašytoje sąrankoje vienam vaizdui tenka 256–1,120 žetonų. Tai paskelbti modelio apdorojimo nustatymai, o ne reikalavimas rankiniu būdu kiekvieną puslapį supjaustyti į tokį dalių skaičių. Pateikite įskaitomą vaizdą, išsaugantį puslapio ribas ir ryšius tarp antraščių, stulpelių bei lentelių.
Koduotuvas apima SAM pagrįstą vaizdinį žetonizatorių su konvoliuciniu glaudinimu ir kompaktišką koduotuvą, inicijuotą iš Qwen2 0.5B. Dekoderis lieka pirmojo OCR leidimo 3B ekspertų mišinio modelis, turintis maždaug 500 milijonų aktyvių parametrų. Apmokymas vyksta per koduotuvo parengimą, užklausų tobulinimą ir dekoderio specializaciją; paskutiniame etape koduotuvas fiksuojamas ir atnaujinamas dekoderis. Šio atnaujinimo akcentas – geresnė vaizdinio skaitymo logika, išlaikant suglaudintus vaizdų atvaizdus.
Pasirinkite išvesties užduotį. Laisvasis OCR sutelkiamas į atpažintą tekstą be maketo. Markdown užklausa prašo konvertuoti dokumentą su maketo informacija, todėl rezultatą lengviau naudoti teksto apdorojimo eigoje. Ataskaitai ar straipsniui gautas artefaktas gali išsaugoti skaitomus skyrius, kuriuose vėliau ieškosite, kuriuos apibendrinsite ar naudosite kaip nuorodinę medžiagą. Lentelei, prieš išgaudami skaitinius laukus, patikrinkite, ar konvertuojant išliko eilučių ir stulpelių ryšiai.
Puslapių rinkiniui paruoškite puslapių vaizdus pradine tvarka ir su kiekviena išvestimi išsaugokite puslapio identifikatorių. Oficialiame projekte aprašomos ir vaizdų OCR, ir PDF apdorojimo darbo eigos, įskaitant rezultatų saugojimą bei spartintą inferenciją. Puslapių atvaizdavimas, iteravimas ir surinkimas yra aplinkinio proceso atsakomybė. Atpažintą išvestį laikykite atskirai nuo bet kurios vėlesnės santraukos, kad išgavimo klaidą būtų galima atsekti iki jos pirminio puslapio.
Dokumento peržiūra. Tyrime nagrinėjamas tekstas, formulės, lentelės ir skaitymo tvarka, o ypač tankūs laikraščių puslapiai aptariami kaip vis dar sudėtinga sritis. Išsaugokite aiškiausią pirminį vaizdą ir pagal originalą patikrinkite smulkų tekstą, lentelių antraštes, apatinius indeksus bei lemiamas reikšmes. Jei ištrauka neįskaitoma, gaukite geresnį skenavimą ar sutelktą vaizdą, išsaugantį pakankamai aplinkinio maketo jos paskirčiai nustatyti. Taip pat patikrinkite, ar išvestyje nėra pasikartojimų ar praleistų skyrių, prieš laikydami ją išsamiu įrašu.
OCR 2 pateikia atpažintą medžiagą kitai užduočiai. Vėlesnė užklausa iš konvertuoto teksto gali išgauti laukus, sukurti paieškai tinkamą užrašą ar atsakyti į klausimą. Gamintojas optinį dokumentų skaitymą apibūdina kaip dabartinį tikslą; platesnis vaizdinis samprotavimas ir papildomos modalumų rūšys yra tyrimų kryptys. Rinkdamiesi šį leidimą, numatomą artefaktą konkrečiai siekite su atpažinimu ir dokumentų konvertavimu.
POST /v1/chat/completionstexttext| Laukas | Tipas | Reikalavimas | Reikšmės ir ribos | Numatyta |
|---|---|---|---|---|
Laukasmodel | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos deepseek/deepseek-ocr-2 | Numatyta— |
Laukasmessages | Tipasmessage[] | ReikalavimasPrivaloma | Reikšmės ir ribos Mažiausias elementų skaičius: 1 | Numatyta— |
Laukasmessages[].role | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos Pavyzdžiai: system, user, assistant, tool, function Sąlygos: Šie vaidmenys aiškiai išreikšti šaltinio kodo suderinamumo tipuose; tikslus vaidmenų rinkinys priklauso nuo konkretaus modelio. Priklauso nuo modelio | Numatyta— |
Laukasmessages[].content | Tipasstring|content_part[]|null | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukasmessages[].tool_calls | Tipastool_call[] | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukasmessages[].tool_call_id | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Taikoma, kai: role=tool; naudokite tikrąjį grąžintą ID | Numatyta— |
Laukasmessages[].name | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukasmessages[].reasoning_content | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Taikoma, kai: Grąžinkite tikrąjį gautą samprotavimą ten, kur šis modelis jį naudoja | Numatyta— |
Laukasmessages[].reasoning_details | Tipasobject|array | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasmax_tokens | Tipasinteger | ReikalavimasNeprivaloma | Reikšmės ir ribos Mažiausia reikšmė: 1 Priklauso nuo modelio | Numatyta— |
Laukasmax_completion_tokens | Tipasinteger | ReikalavimasNeprivaloma | Reikšmės ir ribos Mažiausia reikšmė: 1 Priklauso nuo modelio | Numatyta— |
Laukasstream | Tipasboolean | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatytafalse |
Laukasstream_options.include_usage | Tipasboolean | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukastemperature | Tipasnumber | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukastop_p | Tipasnumber | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasstop | Tipasstring|string[] | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukastools | Tipasfunction_tool[] | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukastools[].type | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos function Priklauso nuo modelio | Numatyta— |
Laukastools[].function.name | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos Taikoma, kai: pateiktas funkcijos tipo įrankis | Numatyta— |
Laukastools[].function.description | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukastools[].function.parameters | TipasJSON_schema | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
Laukastool_choice | Tipasstring|object | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasparallel_tool_calls | Tipasboolean | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasresponse_format | Tipasobject | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasreasoning_effort | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasreasoning | Tipasobject | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasservice_tier | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasinstructions | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Suderinamumo laukas | Numatyta— |
Laukasfunctions | Tipasfunction[] | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasfunction_call | Tipasstring|object | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasprompt_cache_options | Tipasobject | ReikalavimasNeprivaloma | Reikšmės ir ribos Priklauso nuo modelio | Numatyta— |
Laukasmodalities | Tipasstring[] | ReikalavimasNeprivaloma | Reikšmės ir ribos text | Numatyta— |
Laukasprovider | Tipasobject | ReikalavimasNeprivaloma | Reikšmės ir ribos Sąlygos: provider.options šiame Ultra teksto maršrute atmetamas | Numatyta— |
Laukascache_control.ttl | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos Sąlygos: 1h atmetamas tikrosiose užklausų podėlio vietose | Numatyta— |
Tekstas · UTF8 tekstas
messages[].content
| Parametras | Specifikacija |
|---|---|
Parametrascontent_type | Specifikacijaapplication/json |
Parametrasrequired | Specifikacijamodel, messages |
Parametrasmaterial_types | Specifikacijatext |
Parametrasmessages | Specifikacijapranešimų masyvas su role/content struktūra |
Parametrasfile_material | Specifikacijatikrasis UTF-8 dokumentas įterptas kaip pažodinis tekstas; failo ID nenumanomas |
Parametrasoptional_controls | Specifikacijastream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrascontrol_scope | Specifikacijapriklauso nuo modelio; naudotojo funkcijų įrankiai skiriasi nuo priglobtų įrankių |
Parametrasoutput_modalities | Specifikacijatext |
Parametrashosted_operations | Specifikacijafalse |
Parametrasmultimodal_input_binding | Specifikacijanull |
Gyvavimo ciklas: synchronous_or_streamed
Siųskite tikslų modelio ID kartu su messages.
Konteksto ilgis nėra išvesties limitas.
Teksto failas gali pateikti pažodinį tekstą; vaizdų / garso / failų objektų įvestims reikia tikslaus susiejimo.
Tarifų informacija neprideda užklausos parinkčių. Palaikomi parametrai nurodyti prie pasirinkto metodo.
| Konfigūracija | Įkainių lentelė | Mokestis |
|---|---|---|
| KonfigūracijaBaziniai žetonų įkainiai | Įkainių lentelėBazinis įkainis | Mokestis Įvestis · Įvesties tokenai $0.000062 / 1K tokenų Išvestis · Išvesties tokenai $0.000062 / 1K tokenų Įvestis · Talpyklos skaitymas $0 / 1K tokenų Įvestis · Rašymas į talpyklą $0 / 1K tokenų Įvestis · Rašymas į talpyklą, 1 val — / 1K tokenų |
Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. Kaip veikia rezervavimas ir atsiskaitymas →
set -eu\n: "${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 arba SSE
Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.
Išsaugokite kiekvieną variantą ir jo turinį / įrankių iškvietimus / samprotavimą. SSE prieaugius surinkite pagal varianto / įrankio indeksą; išsaugokite galutinę užbaigimo priežastį ir naudojimo duomenis.
Išsaugokite užklausų / atsakymų ID ir antraštes. Bendras teksto užduoties gavimo URL nepateikiamas.
| Laukas | Tipas |
|---|---|
Laukaschoices[].index | Tipasinteger |
Laukaschoices[].message.content | Tipasstring|null |
Laukaschoices[].message.tool_calls | Tipastool_call[] |
Laukaschoices[].message.reasoning_content | Tipasstring |
Laukaschoices[].message.reasoning_details | Tipasobject|array |
Laukaschoices[].finish_reason | Tipasstring|null |
Laukasusage | Tipasobject |
| Atsakymas | Sąlyga | Kitas žingsnis |
|---|---|---|
Atsakymas400 · invalid_request_error | SąlygaNetinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė | Kitas žingsnisPrieš naują kūrimo užklausą pataisykite nurodytus laukus. |
Ailoot Ultra deepseek/deepseek-ocr-2
Naudokite aukščiau nurodytus metodų kelius.
deepseek/deepseek-ocr-2Antrasis DeepSeek OCR modelis dokumentų vaizdus paverčia tekstu arba maketą išsaugančiu Markdown. Jo DeepEncoder V2 organizuoja vaizdinę informaciją pagal skaitymo logiką ir palaiko puslapius, kuriuose dera tekstas, formulės, lentelės bei sudėtingi maketai.
Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.
DeepSeek OCR 2 dokumento vaizdą ir tekstinę instrukciją paverčia tekstiniu rezultatu. Pagrindinės paskelbtos užklausos apima laisvąjį OCR ir dokumento konvertavimą į Markdown su susiejimo su vaizdu informacija. Antrasis leidimas pristato DeepEncoder V2 ir vaizdinį priežastinį srautą: prieš kalbiniam dekoderiui interpretuojant informaciją, koduotuvas išmoksta skaitymo tvarką, kurią formuoja vaizdo turinys. Tai ypač aktualu puslapiams su stulpeliais, lentelėmis, formulėmis ir netiesiniais maketais.
Architektūra ir skaitymo tvarka. Modelis išlaiko koduotuvo ir dekoderio struktūrą. DeepEncoder V2 ankstesnio koduotuvo CLIP komponentą pakeičia kompaktišku kalbinio modelio tipo koduotuvu. Vaizdiniai žetonai gali apimti dėmesiu visą vaizdą, o išmoktos priežastinės užklausos palaipsniui organizuoja tą informaciją į dekoderiui skirtą seką. Šis sprendimas nagrinėja skirtumą tarp dvimačio puslapio maketo ir vienmatės tvarkos, reikalingos jo tekstui generuoti.
Vaizdo paruošimas ir raiška. Numatytasis gamintojo dinaminės raiškos režimas naudoja vieną bendrą 1024 × 1024 vaizdą ir nuo nulio iki šešių vietinių 768 × 768 vaizdų. Bendras vaizdas sukuria 256 vaizdinius žetonus, o kiekvienas vietinis prideda 144, todėl aprašytoje sąrankoje vienam vaizdui tenka 256–1,120 žetonų. Tai paskelbti modelio apdorojimo nustatymai, o ne reikalavimas rankiniu būdu kiekvieną puslapį supjaustyti į tokį dalių skaičių. Pateikite įskaitomą vaizdą, išsaugantį puslapio ribas ir ryšius tarp antraščių, stulpelių bei lentelių.
Koduotuvas apima SAM pagrįstą vaizdinį žetonizatorių su konvoliuciniu glaudinimu ir kompaktišką koduotuvą, inicijuotą iš Qwen2 0.5B. Dekoderis lieka pirmojo OCR leidimo 3B ekspertų mišinio modelis, turintis maždaug 500 milijonų aktyvių parametrų. Apmokymas vyksta per koduotuvo parengimą, užklausų tobulinimą ir dekoderio specializaciją; paskutiniame etape koduotuvas fiksuojamas ir atnaujinamas dekoderis. Šio atnaujinimo akcentas – geresnė vaizdinio skaitymo logika, išlaikant suglaudintus vaizdų atvaizdus.
Pasirinkite išvesties užduotį. Laisvasis OCR sutelkiamas į atpažintą tekstą be maketo. Markdown užklausa prašo konvertuoti dokumentą su maketo informacija, todėl rezultatą lengviau naudoti teksto apdorojimo eigoje. Ataskaitai ar straipsniui gautas artefaktas gali išsaugoti skaitomus skyrius, kuriuose vėliau ieškosite, kuriuos apibendrinsite ar naudosite kaip nuorodinę medžiagą. Lentelei, prieš išgaudami skaitinius laukus, patikrinkite, ar konvertuojant išliko eilučių ir stulpelių ryšiai.
Puslapių rinkiniui paruoškite puslapių vaizdus pradine tvarka ir su kiekviena išvestimi išsaugokite puslapio identifikatorių. Oficialiame projekte aprašomos ir vaizdų OCR, ir PDF apdorojimo darbo eigos, įskaitant rezultatų saugojimą bei spartintą inferenciją. Puslapių atvaizdavimas, iteravimas ir surinkimas yra aplinkinio proceso atsakomybė. Atpažintą išvestį laikykite atskirai nuo bet kurios vėlesnės santraukos, kad išgavimo klaidą būtų galima atsekti iki jos pirminio puslapio.
Dokumento peržiūra. Tyrime nagrinėjamas tekstas, formulės, lentelės ir skaitymo tvarka, o ypač tankūs laikraščių puslapiai aptariami kaip vis dar sudėtinga sritis. Išsaugokite aiškiausią pirminį vaizdą ir pagal originalą patikrinkite smulkų tekstą, lentelių antraštes, apatinius indeksus bei lemiamas reikšmes. Jei ištrauka neįskaitoma, gaukite geresnį skenavimą ar sutelktą vaizdą, išsaugantį pakankamai aplinkinio maketo jos paskirčiai nustatyti. Taip pat patikrinkite, ar išvestyje nėra pasikartojimų ar praleistų skyrių, prieš laikydami ją išsamiu įrašu.
OCR 2 pateikia atpažintą medžiagą kitai užduočiai. Vėlesnė užklausa iš konvertuoto teksto gali išgauti laukus, sukurti paieškai tinkamą užrašą ar atsakyti į klausimą. Gamintojas optinį dokumentų skaitymą apibūdina kaip dabartinį tikslą; platesnis vaizdinis samprotavimas ir papildomos modalumų rūšys yra tyrimų kryptys. Rinkdamiesi šį leidimą, numatomą artefaktą konkrečiai siekite su atpažinimu ir dokumentų konvertavimu.
POST /v1/messagestextjson, sse| Laukas | Tipas | Reikalavimas | Reikšmės ir ribos | Numatyta |
|---|---|---|---|---|
Laukasmodel | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos deepseek/deepseek-ocr-2 | Numatyta— |
Laukasmessages | Tipasmessage[] | ReikalavimasPrivaloma | Reikšmės ir ribos | Numatyta— |
Laukasmessages[].role | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos user, assistant | Numatyta— |
Laukasmessages[].content | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos | Numatyta— |
Laukasmax_tokens | Tipasinteger | ReikalavimasPrivaloma | Reikšmės ir ribos | Numatyta— |
Laukasstream | Tipasboolean | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatytafalse |
Tekstas · UTF-8 tekstas
messages[].content eilutė
| Parametras | Specifikacija |
|---|---|
Parametrascontent_type | Specifikacijaapplication/json |
Parametrasrequired | Specifikacijamodel, messages, max_tokens |
Parametrasoptional_controls | Specifikacijastream |
Parametrasmaterial_types | Specifikacijatext |
Parametrastext_file_material | SpecifikacijaPerskaitykite tikrąjį UTF-8 dokumentą ir įterpkite jo tekstą į nurodytą input lauką arba pranešimo turinio eilutę. |
Gyvavimo ciklas: synchronous_or_streamed
Tarifų informacija neprideda užklausos parinkčių. Palaikomi parametrai nurodyti prie pasirinkto metodo.
| Konfigūracija | Įkainių lentelė | Mokestis |
|---|---|---|
| KonfigūracijaBaziniai žetonų įkainiai | Įkainių lentelėBazinis įkainis | Mokestis Įvestis · Įvesties tokenai $0.000062 / 1K tokenų Išvestis · Išvesties tokenai $0.000062 / 1K tokenų Įvestis · Talpyklos skaitymas $0 / 1K tokenų Įvestis · Rašymas į talpyklą $0 / 1K tokenų Įvestis · Rašymas į talpyklą, 1 val — / 1K tokenų |
Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. Kaip veikia rezervavimas ir atsiskaitymas →
{\n "model": "deepseek/deepseek-ocr-2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 arba SSE
Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.
Išsaugokite visus turinio blokus, mąstymo parašus ir tikruosius įrankių naudojimo ID. Surinkite visus SSE blokų prieaugius; pirmasis teksto blokas nėra visa išvestis.
Išsaugokite užklausų / atsakymų ID ir antraštes. Bendras teksto užduoties gavimo URL nepateikiamas.
| Laukas | Tipas |
|---|---|
Laukasid | Tipasstring |
Laukasmodel | Tipasstring |
Laukascontent[] | Tipastext|thinking|tool_use|other content block |
Laukasstop_reason | Tipasstring|null |
Laukasusage | Tipasobject |
| Atsakymas | Sąlyga | Kitas žingsnis |
|---|---|---|
Atsakymas400 · invalid_request_error | SąlygaNetinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė | Kitas žingsnisPrieš naują kūrimo užklausą pataisykite nurodytus laukus. |
Ailoot Ultra deepseek/deepseek-ocr-2
Naudokite aukščiau nurodytus metodų kelius.
Techninis pavyzdys anglų kalba
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.