DeepSeek OCR 2 gjør et dokumentbilde og en tekstinstruksjon om til et tekstresultat. De viktigste publiserte instruksjonene omfatter fri OCR og konvertering av et dokument til Markdown med informasjon om forankring i bildet. Den andre utgaven introduserer DeepEncoder V2 og visuell kausal flyt: enkoderen lærer en leserekkefølge formet av innholdet i bildet før språkdekoderen tolker det. Dette er særlig relevant for sider med spalter, tabeller, formler og ikke-lineære layouter.
Arkitektur og leserekkefølge. Modellen beholder en struktur med enkoder og dekoder. DeepEncoder V2 erstatter CLIP-komponenten i den tidligere enkoderen med en kompakt enkoder av språkmodelltypen. Visuelle tokener kan rette attention mot hele bildet, mens lærte kausale spørringer gradvis organiserer informasjonen i en sekvens for dekoderen. Designet håndterer forskjellen mellom sidens todimensjonale layout og den endimensjonale rekkefølgen som kreves for å generere teksten.
Bildeklargjøring og oppløsning. Produsentens standardmodus for dynamisk oppløsning bruker én global visning på 1024 × 1024 og null til seks lokale visninger på 768 × 768. Den globale visningen produserer 256 visuelle tokener, og hver lokal visning legger til 144, noe som gir 256–1 120 tokener per bilde i det beskrevne oppsettet. Dette er publiserte innstillinger for modellbehandling, fremfor en forespørsel om å klippe hver side manuelt i dette antallet deler. Legg ved et lesbart bilde som bevarer sidegrensene og sammenhengene mellom overskrifter, spalter og tabeller.
Enkoderen omfatter en visuell tokenisator basert på SAM med konvolusjonskomprimering og en kompakt enkoder initialisert fra Qwen2 0.5B. Dekoderen er fortsatt 3B mixture-of-experts-modellen fra den første OCR-utgaven, med omtrent 500 millioner aktive parametere. Treningen går gjennom klargjøring av enkoderen, forbedring av spørringer og spesialisering av dekoderen; det siste trinnet låser enkoderen og oppdaterer dekoderen. Hovedvekten i denne revisjonen er bedre visuell leselogikk samtidig som komprimerte bilderepresentasjoner bevares.
Velg utdataoppgaven. Fri OCR konsentrerer seg om gjenkjent tekst uten layout. Markdown-instruksjonen ber om dokumentkonvertering med layoutinformasjon, noe som gjør resultatet enklere å bruke i en tekstbehandlingspipeline. For en rapport eller artikkel kan den resulterende artefakten bevare lesbare deler som du senere søker i, oppsummerer eller bruker som referansemateriale. For en tabell undersøker du om rad- og kolonneforhold overlevde konverteringen før du henter ut numeriske felt.
For en samling sider klargjør du sidebildene i opprinnelig rekkefølge og bevarer en sideidentifikator sammen med hvert resultat. Det offisielle prosjektet beskriver både arbeidsflyter for bilde-OCR og PDF-behandling, inkludert lagring av resultater og akselerert inferens. Siderendering, iterasjon og sammenstilling er ansvaret til prosessen rundt modellen. Hold de gjenkjente utdataene atskilt fra eventuelle senere sammendrag, slik at en uthentingsfeil kan spores tilbake til kildesiden.
Dokumentgjennomgang. Forskningen undersøker tekst, formler, tabeller og leserekkefølge, og omtaler særlig tette avissider som et område som fortsatt er vanskelig. Bevar det tydeligste kildebildet og kontroller liten tekst, tabelloverskrifter, senkede tegn og avgjørende verdier mot originalen. Hvis et avsnitt er uleselig, skaffer du en bedre skanning eller en avgrenset visning som beholder nok omkringliggende layout til å fastslå rollen det har. Undersøk også utdataene for gjentakelser eller utelatte deler før de behandles som en fullstendig gjengivelse.
OCR 2 leverer det gjenkjente materialet til neste oppgave. En etterfølgende forespørsel kan deretter hente ut felt, bygge et søkbart notat eller besvare et spørsmål fra den konverterte teksten. Produsenten beskriver optisk dokumentlesing som det nåværende fokuset; bredere visuell resonnering og flere modaliteter er forskningsretninger. Hold den forventede artefakten spesifikt knyttet til gjenkjenning og dokumentkonvertering når denne utgaven velges.
", "aboutText": "DeepSeek OCR 2 gjør et dokumentbilde og en tekstinstruksjon om til et tekstresultat. De viktigste publiserte instruksjonene omfatter fri OCR og konvertering av et dokument til Markdown med informasjon om forankring i bildet. Den andre utgaven introduserer DeepEncoder V2 og visuell kausal flyt: enkoderen lærer en leserekkefølge formet av innholdet i bildet før språkdekoderen tolker det. Dette er særlig relevant for sider med spalter, tabeller, formler og ikke-lineære layouter.\n\nArkitektur og leserekkefølge. Modellen beholder en struktur med enkoder og dekoder. DeepEncoder V2 erstatter CLIP-komponenten i den tidligere enkoderen med en kompakt enkoder av språkmodelltypen. Visuelle tokener kan rette attention mot hele bildet, mens lærte kausale spørringer gradvis organiserer informasjonen i en sekvens for dekoderen. Designet håndterer forskjellen mellom sidens todimensjonale layout og den endimensjonale rekkefølgen som kreves for å generere teksten.\n\nBildeklargjøring og oppløsning. Produsentens standardmodus for dynamisk oppløsning bruker én global visning på 1024 × 1024 og null til seks lokale visninger på 768 × 768. Den globale visningen produserer 256 visuelle tokener, og hver lokal visning legger til 144, noe som gir 256–1 120 tokener per bilde i det beskrevne oppsettet. Dette er publiserte innstillinger for modellbehandling, fremfor en forespørsel om å klippe hver side manuelt i dette antallet deler. Legg ved et lesbart bilde som bevarer sidegrensene og sammenhengene mellom overskrifter, spalter og tabeller.\n\nEnkoderen omfatter en visuell tokenisator basert på SAM med konvolusjonskomprimering og en kompakt enkoder initialisert fra Qwen2 0.5B. Dekoderen er fortsatt 3B mixture-of-experts-modellen fra den første OCR-utgaven, med omtrent 500 millioner aktive parametere. Treningen går gjennom klargjøring av enkoderen, forbedring av spørringer og spesialisering av dekoderen; det siste trinnet låser enkoderen og oppdaterer dekoderen. Hovedvekten i denne revisjonen er bedre visuell leselogikk samtidig som komprimerte bilderepresentasjoner bevares.\n\nVelg utdataoppgaven. Fri OCR konsentrerer seg om gjenkjent tekst uten layout. Markdown-instruksjonen ber om dokumentkonvertering med layoutinformasjon, noe som gjør resultatet enklere å bruke i en tekstbehandlingspipeline. For en rapport eller artikkel kan den resulterende artefakten bevare lesbare deler som du senere søker i, oppsummerer eller bruker som referansemateriale. For en tabell undersøker du om rad- og kolonneforhold overlevde konverteringen før du henter ut numeriske felt.\n\nFor en samling sider klargjør du sidebildene i opprinnelig rekkefølge og bevarer en sideidentifikator sammen med hvert resultat. Det offisielle prosjektet beskriver både arbeidsflyter for bilde-OCR og PDF-behandling, inkludert lagring av resultater og akselerert inferens. Siderendering, iterasjon og sammenstilling er ansvaret til prosessen rundt modellen. Hold de gjenkjente utdataene atskilt fra eventuelle senere sammendrag, slik at en uthentingsfeil kan spores tilbake til kildesiden.\n\nDokumentgjennomgang. Forskningen undersøker tekst, formler, tabeller og leserekkefølge, og omtaler særlig tette avissider som et område som fortsatt er vanskelig. Bevar det tydeligste kildebildet og kontroller liten tekst, tabelloverskrifter, senkede tegn og avgjørende verdier mot originalen. Hvis et avsnitt er uleselig, skaffer du en bedre skanning eller en avgrenset visning som beholder nok omkringliggende layout til å fastslå rollen det har. Undersøk også utdataene for gjentakelser eller utelatte deler før de behandles som en fullstendig gjengivelse.\n\nOCR 2 leverer det gjenkjente materialet til neste oppgave. En etterfølgende forespørsel kan deretter hente ut felt, bygge et søkbart notat eller besvare et spørsmål fra den konverterte teksten. Produsenten beskriver optisk dokumentlesing som det nåværende fokuset; bredere visuell resonnering og flere modaliteter er forskningsretninger. Hold den forventede artefakten spesifikt knyttet til gjenkjenning og dokumentkonvertering når denne utgaven velges.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
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-2DeepSeeks andre OCR-modell gjør dokumentbilder om til tekst eller Markdown som tar hensyn til layouten. DeepEncoder V2 organiserer visuell informasjon etter leselogikk og støtter sider som kombinerer tekst, formler, tabeller og komplekse layouter.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
DeepSeek OCR 2 gjør et dokumentbilde og en tekstinstruksjon om til et tekstresultat. De viktigste publiserte instruksjonene omfatter fri OCR og konvertering av et dokument til Markdown med informasjon om forankring i bildet. Den andre utgaven introduserer DeepEncoder V2 og visuell kausal flyt: enkoderen lærer en leserekkefølge formet av innholdet i bildet før språkdekoderen tolker det. Dette er særlig relevant for sider med spalter, tabeller, formler og ikke-lineære layouter.
Arkitektur og leserekkefølge. Modellen beholder en struktur med enkoder og dekoder. DeepEncoder V2 erstatter CLIP-komponenten i den tidligere enkoderen med en kompakt enkoder av språkmodelltypen. Visuelle tokener kan rette attention mot hele bildet, mens lærte kausale spørringer gradvis organiserer informasjonen i en sekvens for dekoderen. Designet håndterer forskjellen mellom sidens todimensjonale layout og den endimensjonale rekkefølgen som kreves for å generere teksten.
Bildeklargjøring og oppløsning. Produsentens standardmodus for dynamisk oppløsning bruker én global visning på 1024 × 1024 og null til seks lokale visninger på 768 × 768. Den globale visningen produserer 256 visuelle tokener, og hver lokal visning legger til 144, noe som gir 256–1 120 tokener per bilde i det beskrevne oppsettet. Dette er publiserte innstillinger for modellbehandling, fremfor en forespørsel om å klippe hver side manuelt i dette antallet deler. Legg ved et lesbart bilde som bevarer sidegrensene og sammenhengene mellom overskrifter, spalter og tabeller.
Enkoderen omfatter en visuell tokenisator basert på SAM med konvolusjonskomprimering og en kompakt enkoder initialisert fra Qwen2 0.5B. Dekoderen er fortsatt 3B mixture-of-experts-modellen fra den første OCR-utgaven, med omtrent 500 millioner aktive parametere. Treningen går gjennom klargjøring av enkoderen, forbedring av spørringer og spesialisering av dekoderen; det siste trinnet låser enkoderen og oppdaterer dekoderen. Hovedvekten i denne revisjonen er bedre visuell leselogikk samtidig som komprimerte bilderepresentasjoner bevares.
Velg utdataoppgaven. Fri OCR konsentrerer seg om gjenkjent tekst uten layout. Markdown-instruksjonen ber om dokumentkonvertering med layoutinformasjon, noe som gjør resultatet enklere å bruke i en tekstbehandlingspipeline. For en rapport eller artikkel kan den resulterende artefakten bevare lesbare deler som du senere søker i, oppsummerer eller bruker som referansemateriale. For en tabell undersøker du om rad- og kolonneforhold overlevde konverteringen før du henter ut numeriske felt.
For en samling sider klargjør du sidebildene i opprinnelig rekkefølge og bevarer en sideidentifikator sammen med hvert resultat. Det offisielle prosjektet beskriver både arbeidsflyter for bilde-OCR og PDF-behandling, inkludert lagring av resultater og akselerert inferens. Siderendering, iterasjon og sammenstilling er ansvaret til prosessen rundt modellen. Hold de gjenkjente utdataene atskilt fra eventuelle senere sammendrag, slik at en uthentingsfeil kan spores tilbake til kildesiden.
Dokumentgjennomgang. Forskningen undersøker tekst, formler, tabeller og leserekkefølge, og omtaler særlig tette avissider som et område som fortsatt er vanskelig. Bevar det tydeligste kildebildet og kontroller liten tekst, tabelloverskrifter, senkede tegn og avgjørende verdier mot originalen. Hvis et avsnitt er uleselig, skaffer du en bedre skanning eller en avgrenset visning som beholder nok omkringliggende layout til å fastslå rollen det har. Undersøk også utdataene for gjentakelser eller utelatte deler før de behandles som en fullstendig gjengivelse.
OCR 2 leverer det gjenkjente materialet til neste oppgave. En etterfølgende forespørsel kan deretter hente ut felt, bygge et søkbart notat eller besvare et spørsmål fra den konverterte teksten. Produsenten beskriver optisk dokumentlesing som det nåværende fokuset; bredere visuell resonnering og flere modaliteter er forskningsretninger. Hold den forventede artefakten spesifikt knyttet til gjenkjenning og dokumentkonvertering når denne utgaven velges.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser deepseek/deepseek-ocr-2 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.000062 / 1K tokener Utdata · Utgående tokener $0.000062 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra deepseek/deepseek-ocr-2
Bruk metodestiene som vises ovenfor.
deepseek/deepseek-ocr-2DeepSeeks andre OCR-modell gjør dokumentbilder om til tekst eller Markdown som tar hensyn til layouten. DeepEncoder V2 organiserer visuell informasjon etter leselogikk og støtter sider som kombinerer tekst, formler, tabeller og komplekse layouter.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
DeepSeek OCR 2 gjør et dokumentbilde og en tekstinstruksjon om til et tekstresultat. De viktigste publiserte instruksjonene omfatter fri OCR og konvertering av et dokument til Markdown med informasjon om forankring i bildet. Den andre utgaven introduserer DeepEncoder V2 og visuell kausal flyt: enkoderen lærer en leserekkefølge formet av innholdet i bildet før språkdekoderen tolker det. Dette er særlig relevant for sider med spalter, tabeller, formler og ikke-lineære layouter.
Arkitektur og leserekkefølge. Modellen beholder en struktur med enkoder og dekoder. DeepEncoder V2 erstatter CLIP-komponenten i den tidligere enkoderen med en kompakt enkoder av språkmodelltypen. Visuelle tokener kan rette attention mot hele bildet, mens lærte kausale spørringer gradvis organiserer informasjonen i en sekvens for dekoderen. Designet håndterer forskjellen mellom sidens todimensjonale layout og den endimensjonale rekkefølgen som kreves for å generere teksten.
Bildeklargjøring og oppløsning. Produsentens standardmodus for dynamisk oppløsning bruker én global visning på 1024 × 1024 og null til seks lokale visninger på 768 × 768. Den globale visningen produserer 256 visuelle tokener, og hver lokal visning legger til 144, noe som gir 256–1 120 tokener per bilde i det beskrevne oppsettet. Dette er publiserte innstillinger for modellbehandling, fremfor en forespørsel om å klippe hver side manuelt i dette antallet deler. Legg ved et lesbart bilde som bevarer sidegrensene og sammenhengene mellom overskrifter, spalter og tabeller.
Enkoderen omfatter en visuell tokenisator basert på SAM med konvolusjonskomprimering og en kompakt enkoder initialisert fra Qwen2 0.5B. Dekoderen er fortsatt 3B mixture-of-experts-modellen fra den første OCR-utgaven, med omtrent 500 millioner aktive parametere. Treningen går gjennom klargjøring av enkoderen, forbedring av spørringer og spesialisering av dekoderen; det siste trinnet låser enkoderen og oppdaterer dekoderen. Hovedvekten i denne revisjonen er bedre visuell leselogikk samtidig som komprimerte bilderepresentasjoner bevares.
Velg utdataoppgaven. Fri OCR konsentrerer seg om gjenkjent tekst uten layout. Markdown-instruksjonen ber om dokumentkonvertering med layoutinformasjon, noe som gjør resultatet enklere å bruke i en tekstbehandlingspipeline. For en rapport eller artikkel kan den resulterende artefakten bevare lesbare deler som du senere søker i, oppsummerer eller bruker som referansemateriale. For en tabell undersøker du om rad- og kolonneforhold overlevde konverteringen før du henter ut numeriske felt.
For en samling sider klargjør du sidebildene i opprinnelig rekkefølge og bevarer en sideidentifikator sammen med hvert resultat. Det offisielle prosjektet beskriver både arbeidsflyter for bilde-OCR og PDF-behandling, inkludert lagring av resultater og akselerert inferens. Siderendering, iterasjon og sammenstilling er ansvaret til prosessen rundt modellen. Hold de gjenkjente utdataene atskilt fra eventuelle senere sammendrag, slik at en uthentingsfeil kan spores tilbake til kildesiden.
Dokumentgjennomgang. Forskningen undersøker tekst, formler, tabeller og leserekkefølge, og omtaler særlig tette avissider som et område som fortsatt er vanskelig. Bevar det tydeligste kildebildet og kontroller liten tekst, tabelloverskrifter, senkede tegn og avgjørende verdier mot originalen. Hvis et avsnitt er uleselig, skaffer du en bedre skanning eller en avgrenset visning som beholder nok omkringliggende layout til å fastslå rollen det har. Undersøk også utdataene for gjentakelser eller utelatte deler før de behandles som en fullstendig gjengivelse.
OCR 2 leverer det gjenkjente materialet til neste oppgave. En etterfølgende forespørsel kan deretter hente ut felt, bygge et søkbart notat eller besvare et spørsmål fra den konverterte teksten. Produsenten beskriver optisk dokumentlesing som det nåværende fokuset; bredere visuell resonnering og flere modaliteter er forskningsretninger. Hold den forventede artefakten spesifikt knyttet til gjenkjenning og dokumentkonvertering når denne utgaven velges.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser deepseek/deepseek-ocr-2 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.000062 / 1K tokener Utdata · Utgående tokener $0.000062 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "deepseek/deepseek-ocr-2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra deepseek/deepseek-ocr-2
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
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.