DeepSeek OCR 2 prevádza obrázok dokumentu a textový pokyn na textový výsledok. Jeho hlavné zverejnené zadania zahŕňajú voľné OCR a prevod dokumentu na Markdown s informáciami o umiestnení obsahu. Druhá edícia zavádza DeepEncoder V2 a vizuálny kauzálny tok: enkodér sa učí poradie čítania podľa obsahu obrázka ešte predtým, ako ho interpretuje jazykový dekodér. To je zvlášť dôležité pri stránkach so stĺpcami, tabuľkami, vzorcami a nelineárnym rozložením.
Architektúra a poradie čítania. Model zachováva štruktúru enkodéra a dekodéra. DeepEncoder V2 nahrádza komponent CLIP predchádzajúceho enkodéra kompaktným enkodérom v štýle jazykového modelu. Vizuálne tokeny môžu využívať pozornosť naprieč obrázkom, zatiaľ čo naučené kauzálne dopyty postupne usporadúvajú tieto informácie do sekvencie pre dekodér. Návrh rieši rozdiel medzi dvojrozmerným rozložením stránky a jednorozmerným poradím potrebným na generovanie jej textu.
Príprava obrázka a rozlíšenie. Predvolený režim dynamického rozlíšenia výrobcu používa jeden globálny pohľad 1024 × 1024 a nula až šesť lokálnych pohľadov 768 × 768. Globálny pohľad vytvára 256 vizuálnych tokenov a každý lokálny pohľad pridáva 144, čo v opísanom nastavení predstavuje 256–1,120 tokenov na obrázok. Ide o zverejnené nastavenia spracovania modelu, nie o požiadavku ručne rozrezať každú stránku na daný počet častí. Dodajte čitateľný obrázok, ktorý zachová okraje stránky a vzťahy medzi nadpismi, stĺpcami a tabuľkami.
Enkodér obsahuje vizuálny tokenizér založený na SAM s konvolučnou kompresiou a kompaktný enkodér inicializovaný z Qwen2 0.5B. Dekodérom zostáva model so zmesou expertov 3B z prvej edície OCR s približne 500 miliónmi aktívnych parametrov. Tréning postupuje cez prípravu enkodéra, zlepšenie dopytov a špecializáciu dekodéra; v poslednej fáze sa enkodér zafixuje a aktualizuje sa dekodér. Táto revízia kladie dôraz na lepšiu logiku vizuálneho čítania pri zachovaní komprimovaných reprezentácií obrázkov.
Vyberte výstupnú úlohu. Voľné OCR sa sústreďuje na rozpoznaný text bez rozloženia. Zadanie pre Markdown žiada prevod dokumentu s informáciami o rozložení, čím uľahčuje použitie výsledku v postupe spracovania textu. Pri správe alebo vedeckom článku môže výsledný výstup zachovať čitateľné sekcie, v ktorých následne vyhľadávate, sumarizujete ich alebo ich použijete ako referenčný materiál. Pri tabuľke pred extrakciou číselných polí skontrolujte, či prevod zachoval vzťahy medzi riadkami a stĺpcami.
Pri súbore stránok pripravte obrázky stránok v pôvodnom poradí a ku každému výstupu zachovajte identifikátor stránky. Oficiálny projekt opisuje postupy OCR pre obrázky aj spracovanie PDF vrátane ukladania výsledkov a zrýchlenej inferencie. Vykresľovanie stránok, iterácia a zostavovanie sú zodpovednosťou okolitého procesu. Rozpoznaný výstup oddeľte od neskoršieho zhrnutia, aby sa chyba extrakcie dala spätne priradiť k zdrojovej stránke.
Kontrola dokumentu. Výskum skúma text, vzorce, tabuľky a poradie čítania a osobitne husté novinové stránky uvádza ako naďalej náročnú oblasť. Zachovajte najčistejší zdrojový obrázok a podľa originálu skontrolujte drobný text, záhlavia tabuliek, dolné indexy a rozhodujúce hodnoty. Ak je pasáž nečitateľná, získajte lepší sken alebo cielený pohľad, ktorý ponechá dosť okolitého rozloženia na určenie jej úlohy. Pred použitím výstupu ako úplného záznamu tiež skontrolujte opakovanie alebo vynechané sekcie.
OCR 2 poskytuje rozpoznaný materiál pre ďalšiu úlohu. Nadväzujúca požiadavka potom môže extrahovať polia, vytvoriť vyhľadateľnú poznámku alebo odpovedať na otázku z prevedeného textu. Výrobca opisuje optické čítanie dokumentov ako súčasné zameranie; širšie vizuálne uvažovanie a ďalšie modality sú smermi výskumu. Pri výbere tejto edície obmedzte očakávaný výstup na rozpoznávanie a prevod dokumentov.
", "aboutText": "DeepSeek OCR 2 prevádza obrázok dokumentu a textový pokyn na textový výsledok. Jeho hlavné zverejnené zadania zahŕňajú voľné OCR a prevod dokumentu na Markdown s informáciami o umiestnení obsahu. Druhá edícia zavádza DeepEncoder V2 a vizuálny kauzálny tok: enkodér sa učí poradie čítania podľa obsahu obrázka ešte predtým, ako ho interpretuje jazykový dekodér. To je zvlášť dôležité pri stránkach so stĺpcami, tabuľkami, vzorcami a nelineárnym rozložením.\n\nArchitektúra a poradie čítania. Model zachováva štruktúru enkodéra a dekodéra. DeepEncoder V2 nahrádza komponent CLIP predchádzajúceho enkodéra kompaktným enkodérom v štýle jazykového modelu. Vizuálne tokeny môžu využívať pozornosť naprieč obrázkom, zatiaľ čo naučené kauzálne dopyty postupne usporadúvajú tieto informácie do sekvencie pre dekodér. Návrh rieši rozdiel medzi dvojrozmerným rozložením stránky a jednorozmerným poradím potrebným na generovanie jej textu.\n\nPríprava obrázka a rozlíšenie. Predvolený režim dynamického rozlíšenia výrobcu používa jeden globálny pohľad 1024 × 1024 a nula až šesť lokálnych pohľadov 768 × 768. Globálny pohľad vytvára 256 vizuálnych tokenov a každý lokálny pohľad pridáva 144, čo v opísanom nastavení predstavuje 256–1,120 tokenov na obrázok. Ide o zverejnené nastavenia spracovania modelu, nie o požiadavku ručne rozrezať každú stránku na daný počet častí. Dodajte čitateľný obrázok, ktorý zachová okraje stránky a vzťahy medzi nadpismi, stĺpcami a tabuľkami.\n\nEnkodér obsahuje vizuálny tokenizér založený na SAM s konvolučnou kompresiou a kompaktný enkodér inicializovaný z Qwen2 0.5B. Dekodérom zostáva model so zmesou expertov 3B z prvej edície OCR s približne 500 miliónmi aktívnych parametrov. Tréning postupuje cez prípravu enkodéra, zlepšenie dopytov a špecializáciu dekodéra; v poslednej fáze sa enkodér zafixuje a aktualizuje sa dekodér. Táto revízia kladie dôraz na lepšiu logiku vizuálneho čítania pri zachovaní komprimovaných reprezentácií obrázkov.\n\nVyberte výstupnú úlohu. Voľné OCR sa sústreďuje na rozpoznaný text bez rozloženia. Zadanie pre Markdown žiada prevod dokumentu s informáciami o rozložení, čím uľahčuje použitie výsledku v postupe spracovania textu. Pri správe alebo vedeckom článku môže výsledný výstup zachovať čitateľné sekcie, v ktorých následne vyhľadávate, sumarizujete ich alebo ich použijete ako referenčný materiál. Pri tabuľke pred extrakciou číselných polí skontrolujte, či prevod zachoval vzťahy medzi riadkami a stĺpcami.\n\nPri súbore stránok pripravte obrázky stránok v pôvodnom poradí a ku každému výstupu zachovajte identifikátor stránky. Oficiálny projekt opisuje postupy OCR pre obrázky aj spracovanie PDF vrátane ukladania výsledkov a zrýchlenej inferencie. Vykresľovanie stránok, iterácia a zostavovanie sú zodpovednosťou okolitého procesu. Rozpoznaný výstup oddeľte od neskoršieho zhrnutia, aby sa chyba extrakcie dala spätne priradiť k zdrojovej stránke.\n\nKontrola dokumentu. Výskum skúma text, vzorce, tabuľky a poradie čítania a osobitne husté novinové stránky uvádza ako naďalej náročnú oblasť. Zachovajte najčistejší zdrojový obrázok a podľa originálu skontrolujte drobný text, záhlavia tabuliek, dolné indexy a rozhodujúce hodnoty. Ak je pasáž nečitateľná, získajte lepší sken alebo cielený pohľad, ktorý ponechá dosť okolitého rozloženia na určenie jej úlohy. Pred použitím výstupu ako úplného záznamu tiež skontrolujte opakovanie alebo vynechané sekcie.\n\nOCR 2 poskytuje rozpoznaný materiál pre ďalšiu úlohu. Nadväzujúca požiadavka potom môže extrahovať polia, vytvoriť vyhľadateľnú poznámku alebo odpovedať na otázku z prevedeného textu. Výrobca opisuje optické čítanie dokumentov ako súčasné zameranie; širšie vizuálne uvažovanie a ďalšie modality sú smermi výskumu. Pri výbere tejto edície obmedzte očakávaný výstup na rozpoznávanie a prevod dokumentov.", "editorialOverlay": { "copy_fields": { "practical_html": "Technický príklad v angličtine
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-2Druhý model OCR od DeepSeek prevádza obrázky dokumentov na text alebo Markdown zohľadňujúci rozloženie. Jeho DeepEncoder V2 usporadúva vizuálne informácie podľa logiky čítania a podporuje stránky spájajúce text, vzorce, tabuľky a zložité rozloženia.
Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.
DeepSeek OCR 2 prevádza obrázok dokumentu a textový pokyn na textový výsledok. Jeho hlavné zverejnené zadania zahŕňajú voľné OCR a prevod dokumentu na Markdown s informáciami o umiestnení obsahu. Druhá edícia zavádza DeepEncoder V2 a vizuálny kauzálny tok: enkodér sa učí poradie čítania podľa obsahu obrázka ešte predtým, ako ho interpretuje jazykový dekodér. To je zvlášť dôležité pri stránkach so stĺpcami, tabuľkami, vzorcami a nelineárnym rozložením.
Architektúra a poradie čítania. Model zachováva štruktúru enkodéra a dekodéra. DeepEncoder V2 nahrádza komponent CLIP predchádzajúceho enkodéra kompaktným enkodérom v štýle jazykového modelu. Vizuálne tokeny môžu využívať pozornosť naprieč obrázkom, zatiaľ čo naučené kauzálne dopyty postupne usporadúvajú tieto informácie do sekvencie pre dekodér. Návrh rieši rozdiel medzi dvojrozmerným rozložením stránky a jednorozmerným poradím potrebným na generovanie jej textu.
Príprava obrázka a rozlíšenie. Predvolený režim dynamického rozlíšenia výrobcu používa jeden globálny pohľad 1024 × 1024 a nula až šesť lokálnych pohľadov 768 × 768. Globálny pohľad vytvára 256 vizuálnych tokenov a každý lokálny pohľad pridáva 144, čo v opísanom nastavení predstavuje 256–1,120 tokenov na obrázok. Ide o zverejnené nastavenia spracovania modelu, nie o požiadavku ručne rozrezať každú stránku na daný počet častí. Dodajte čitateľný obrázok, ktorý zachová okraje stránky a vzťahy medzi nadpismi, stĺpcami a tabuľkami.
Enkodér obsahuje vizuálny tokenizér založený na SAM s konvolučnou kompresiou a kompaktný enkodér inicializovaný z Qwen2 0.5B. Dekodérom zostáva model so zmesou expertov 3B z prvej edície OCR s približne 500 miliónmi aktívnych parametrov. Tréning postupuje cez prípravu enkodéra, zlepšenie dopytov a špecializáciu dekodéra; v poslednej fáze sa enkodér zafixuje a aktualizuje sa dekodér. Táto revízia kladie dôraz na lepšiu logiku vizuálneho čítania pri zachovaní komprimovaných reprezentácií obrázkov.
Vyberte výstupnú úlohu. Voľné OCR sa sústreďuje na rozpoznaný text bez rozloženia. Zadanie pre Markdown žiada prevod dokumentu s informáciami o rozložení, čím uľahčuje použitie výsledku v postupe spracovania textu. Pri správe alebo vedeckom článku môže výsledný výstup zachovať čitateľné sekcie, v ktorých následne vyhľadávate, sumarizujete ich alebo ich použijete ako referenčný materiál. Pri tabuľke pred extrakciou číselných polí skontrolujte, či prevod zachoval vzťahy medzi riadkami a stĺpcami.
Pri súbore stránok pripravte obrázky stránok v pôvodnom poradí a ku každému výstupu zachovajte identifikátor stránky. Oficiálny projekt opisuje postupy OCR pre obrázky aj spracovanie PDF vrátane ukladania výsledkov a zrýchlenej inferencie. Vykresľovanie stránok, iterácia a zostavovanie sú zodpovednosťou okolitého procesu. Rozpoznaný výstup oddeľte od neskoršieho zhrnutia, aby sa chyba extrakcie dala spätne priradiť k zdrojovej stránke.
Kontrola dokumentu. Výskum skúma text, vzorce, tabuľky a poradie čítania a osobitne husté novinové stránky uvádza ako naďalej náročnú oblasť. Zachovajte najčistejší zdrojový obrázok a podľa originálu skontrolujte drobný text, záhlavia tabuliek, dolné indexy a rozhodujúce hodnoty. Ak je pasáž nečitateľná, získajte lepší sken alebo cielený pohľad, ktorý ponechá dosť okolitého rozloženia na určenie jej úlohy. Pred použitím výstupu ako úplného záznamu tiež skontrolujte opakovanie alebo vynechané sekcie.
OCR 2 poskytuje rozpoznaný materiál pre ďalšiu úlohu. Nadväzujúca požiadavka potom môže extrahovať polia, vytvoriť vyhľadateľnú poznámku alebo odpovedať na otázku z prevedeného textu. Výrobca opisuje optické čítanie dokumentov ako súčasné zameranie; širšie vizuálne uvažovanie a ďalšie modality sú smermi výskumu. Pri výbere tejto edície obmedzte očakávaný výstup na rozpoznávanie a prevod dokumentov.
POST /v1/chat/completionstexttext| Pole | Typ | Požiadavka | Hodnoty a limity | Predvolené |
|---|---|---|---|---|
Polemodel | Typstring | PožiadavkaPovinné | Hodnoty a limity deepseek/deepseek-ocr-2 | Predvolené— |
Polemessages | Typmessage[] | PožiadavkaPovinné | Hodnoty a limity Minimálny počet položiek: 1 | Predvolené— |
Polemessages[].role | Typstring | PožiadavkaPovinné | Hodnoty a limity Príklady: system, user, assistant, tool, function Podmienky: Tieto roly sú výslovne zastúpené typmi kompatibility v zdrojovom kóde; presný súbor rolí zostáva závislý od modelu. Závisí od modelu | Predvolené— |
Polemessages[].content | Typstring|content_part[]|null | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Polemessages[].tool_calls | Typtool_call[] | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Polemessages[].tool_call_id | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Platí, keď: role=tool; použite skutočne vrátené ID | Predvolené— |
Polemessages[].name | Typstring | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Polemessages[].reasoning_content | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Platí, keď: Posielajte späť skutočne vrátené uvažovanie, ak ho tento model používa | Predvolené— |
Polemessages[].reasoning_details | Typobject|array | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polemax_tokens | Typinteger | PožiadavkaVoliteľné | Hodnoty a limity Minimum: 1 Závisí od modelu | Predvolené— |
Polemax_completion_tokens | Typinteger | PožiadavkaVoliteľné | Hodnoty a limity Minimum: 1 Závisí od modelu | Predvolené— |
Polestream | Typboolean | PožiadavkaVoliteľné | Hodnoty a limity | Predvolenéfalse |
Polestream_options.include_usage | Typboolean | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poletemperature | Typnumber | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poletop_p | Typnumber | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polestop | Typstring|string[] | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poletools | Typfunction_tool[] | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poletools[].type | Typstring | PožiadavkaVoliteľné | Hodnoty a limity function Závisí od modelu | Predvolené— |
Poletools[].function.name | Typstring | PožiadavkaPovinné | Hodnoty a limity Platí, keď: poskytnutý nástroj typu funkcia | Predvolené— |
Poletools[].function.description | Typstring | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Poletools[].function.parameters | TypJSON_schema | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
Poletool_choice | Typstring|object | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleparallel_tool_calls | Typboolean | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleresponse_format | Typobject | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polereasoning_effort | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polereasoning | Typobject | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleservice_tier | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleinstructions | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Pole kompatibility | Predvolené— |
Polefunctions | Typfunction[] | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polefunction_call | Typstring|object | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Poleprompt_cache_options | Typobject | PožiadavkaVoliteľné | Hodnoty a limity Závisí od modelu | Predvolené— |
Polemodalities | Typstring[] | PožiadavkaVoliteľné | Hodnoty a limity text | Predvolené— |
Poleprovider | Typobject | PožiadavkaVoliteľné | Hodnoty a limity Podmienky: provider.options sa na tejto textovej trase Ultra odmieta | Predvolené— |
Polecache_control.ttl | Typstring | PožiadavkaVoliteľné | Hodnoty a limity Podmienky: Hodnota 1h sa v skutočne používaných poliach cache promptov odmieta | Predvolené— |
Text · Text UTF8
messages[].content
| Parameter | Špecifikácia |
|---|---|
Parametercontent_type | Špecifikáciaapplication/json |
Parameterrequired | Špecifikáciamodel, messages |
Parametermaterial_types | Špecifikáciatext |
Parametermessages | Špecifikáciapole správ so štruktúrou role/content |
Parameterfile_material | Špecifikáciaskutočný dokument UTF-8 vložený ako doslovný text; ID súboru sa neodvodzuje |
Parameteroptional_controls | Špecifikáciastream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Špecifikáciazávisí od modelu; používateľské nástroje typu funkcia sa líšia od nástrojov prevádzkovaných službou |
Parameteroutput_modalities | Špecifikáciatext |
Parameterhosted_operations | Špecifikáciafalse |
Parametermultimodal_input_binding | Špecifikácianull |
Životný cyklus: synchronous_or_streamed
Pošlite presné ID modelu spolu s messages.
Dĺžka kontextu nie je horná hranica výstupu.
Textový súbor môže poskytnúť doslovný text; obrazové a zvukové vstupy a vstupy so súborovými objektmi potrebujú presné naviazanie.
Tarifné údaje nepridávajú možnosti požiadavky. Podporované parametre sú uvedené pri vybranej metóde.
| Konfigurácia | Sadzobník | Poplatok |
|---|---|---|
| KonfiguráciaZákladné sadzby za tokeny | SadzobníkZákladná sadzba | Poplatok Vstup · Vstupné tokeny $0.000062 / 1K tokenov Výstup · Výstupné tokeny $0.000062 / 1K tokenov Vstup · Čítanie cache $0 / 1K tokenov Vstup · Zápis do cache $0 / 1K tokenov Vstup · Zápis do cache, 1 hod — / 1K tokenov |
Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →
set -eu\n: "${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 alebo SSE
Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.
Zachovajte každý variant odpovede a jeho obsah, volania nástrojov a uvažovanie. V SSE zostavujte čiastkové zmeny podľa indexu variantu/nástroja a zachovajte konečný dôvod ukončenia aj údaje o spotrebe.
Zachovajte ID požiadaviek/odpovedí aj hlavičky. Všeobecná URL na načítanie textovej úlohy nie je poskytnutá.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpoveď | Podmienka | Ďalší krok |
|---|---|---|
Odpoveď400 · invalid_request_error | PodmienkaNeplatné povinné polia, reprezentácia materiálu alebo hodnota parametra | Ďalší krokPred novou požiadavkou na vytvorenie opravte uvedené polia. |
Ailoot Ultra deepseek/deepseek-ocr-2
Použite cesty metód uvedené vyššie.
deepseek/deepseek-ocr-2Druhý model OCR od DeepSeek prevádza obrázky dokumentov na text alebo Markdown zohľadňujúci rozloženie. Jeho DeepEncoder V2 usporadúva vizuálne informácie podľa logiky čítania a podporuje stránky spájajúce text, vzorce, tabuľky a zložité rozloženia.
Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.
DeepSeek OCR 2 prevádza obrázok dokumentu a textový pokyn na textový výsledok. Jeho hlavné zverejnené zadania zahŕňajú voľné OCR a prevod dokumentu na Markdown s informáciami o umiestnení obsahu. Druhá edícia zavádza DeepEncoder V2 a vizuálny kauzálny tok: enkodér sa učí poradie čítania podľa obsahu obrázka ešte predtým, ako ho interpretuje jazykový dekodér. To je zvlášť dôležité pri stránkach so stĺpcami, tabuľkami, vzorcami a nelineárnym rozložením.
Architektúra a poradie čítania. Model zachováva štruktúru enkodéra a dekodéra. DeepEncoder V2 nahrádza komponent CLIP predchádzajúceho enkodéra kompaktným enkodérom v štýle jazykového modelu. Vizuálne tokeny môžu využívať pozornosť naprieč obrázkom, zatiaľ čo naučené kauzálne dopyty postupne usporadúvajú tieto informácie do sekvencie pre dekodér. Návrh rieši rozdiel medzi dvojrozmerným rozložením stránky a jednorozmerným poradím potrebným na generovanie jej textu.
Príprava obrázka a rozlíšenie. Predvolený režim dynamického rozlíšenia výrobcu používa jeden globálny pohľad 1024 × 1024 a nula až šesť lokálnych pohľadov 768 × 768. Globálny pohľad vytvára 256 vizuálnych tokenov a každý lokálny pohľad pridáva 144, čo v opísanom nastavení predstavuje 256–1,120 tokenov na obrázok. Ide o zverejnené nastavenia spracovania modelu, nie o požiadavku ručne rozrezať každú stránku na daný počet častí. Dodajte čitateľný obrázok, ktorý zachová okraje stránky a vzťahy medzi nadpismi, stĺpcami a tabuľkami.
Enkodér obsahuje vizuálny tokenizér založený na SAM s konvolučnou kompresiou a kompaktný enkodér inicializovaný z Qwen2 0.5B. Dekodérom zostáva model so zmesou expertov 3B z prvej edície OCR s približne 500 miliónmi aktívnych parametrov. Tréning postupuje cez prípravu enkodéra, zlepšenie dopytov a špecializáciu dekodéra; v poslednej fáze sa enkodér zafixuje a aktualizuje sa dekodér. Táto revízia kladie dôraz na lepšiu logiku vizuálneho čítania pri zachovaní komprimovaných reprezentácií obrázkov.
Vyberte výstupnú úlohu. Voľné OCR sa sústreďuje na rozpoznaný text bez rozloženia. Zadanie pre Markdown žiada prevod dokumentu s informáciami o rozložení, čím uľahčuje použitie výsledku v postupe spracovania textu. Pri správe alebo vedeckom článku môže výsledný výstup zachovať čitateľné sekcie, v ktorých následne vyhľadávate, sumarizujete ich alebo ich použijete ako referenčný materiál. Pri tabuľke pred extrakciou číselných polí skontrolujte, či prevod zachoval vzťahy medzi riadkami a stĺpcami.
Pri súbore stránok pripravte obrázky stránok v pôvodnom poradí a ku každému výstupu zachovajte identifikátor stránky. Oficiálny projekt opisuje postupy OCR pre obrázky aj spracovanie PDF vrátane ukladania výsledkov a zrýchlenej inferencie. Vykresľovanie stránok, iterácia a zostavovanie sú zodpovednosťou okolitého procesu. Rozpoznaný výstup oddeľte od neskoršieho zhrnutia, aby sa chyba extrakcie dala spätne priradiť k zdrojovej stránke.
Kontrola dokumentu. Výskum skúma text, vzorce, tabuľky a poradie čítania a osobitne husté novinové stránky uvádza ako naďalej náročnú oblasť. Zachovajte najčistejší zdrojový obrázok a podľa originálu skontrolujte drobný text, záhlavia tabuliek, dolné indexy a rozhodujúce hodnoty. Ak je pasáž nečitateľná, získajte lepší sken alebo cielený pohľad, ktorý ponechá dosť okolitého rozloženia na určenie jej úlohy. Pred použitím výstupu ako úplného záznamu tiež skontrolujte opakovanie alebo vynechané sekcie.
OCR 2 poskytuje rozpoznaný materiál pre ďalšiu úlohu. Nadväzujúca požiadavka potom môže extrahovať polia, vytvoriť vyhľadateľnú poznámku alebo odpovedať na otázku z prevedeného textu. Výrobca opisuje optické čítanie dokumentov ako súčasné zameranie; širšie vizuálne uvažovanie a ďalšie modality sú smermi výskumu. Pri výbere tejto edície obmedzte očakávaný výstup na rozpoznávanie a prevod dokumentov.
POST /v1/messagestextjson, sse| Pole | Typ | Požiadavka | Hodnoty a limity | Predvolené |
|---|---|---|---|---|
Polemodel | Typstring | PožiadavkaPovinné | Hodnoty a limity deepseek/deepseek-ocr-2 | Predvolené— |
Polemessages | Typmessage[] | PožiadavkaPovinné | Hodnoty a limity | Predvolené— |
Polemessages[].role | Typstring | PožiadavkaPovinné | Hodnoty a limity user, assistant | Predvolené— |
Polemessages[].content | Typstring | PožiadavkaPovinné | Hodnoty a limity | Predvolené— |
Polemax_tokens | Typinteger | PožiadavkaPovinné | Hodnoty a limity | Predvolené— |
Polestream | Typboolean | PožiadavkaVoliteľné | Hodnoty a limity | Predvolenéfalse |
Text · Text UTF-8
reťazec messages[].content
| Parameter | Špecifikácia |
|---|---|
Parametercontent_type | Špecifikáciaapplication/json |
Parameterrequired | Špecifikáciamodel, messages, max_tokens |
Parameteroptional_controls | Špecifikáciastream |
Parametermaterial_types | Špecifikáciatext |
Parametertext_file_material | ŠpecifikáciaPrečítajte skutočný dokument UTF-8 a vložte jeho text do uvedeného vstupného reťazca alebo reťazca obsahu správy. |
Životný cyklus: synchronous_or_streamed
Tarifné údaje nepridávajú možnosti požiadavky. Podporované parametre sú uvedené pri vybranej metóde.
| Konfigurácia | Sadzobník | Poplatok |
|---|---|---|
| KonfiguráciaZákladné sadzby za tokeny | SadzobníkZákladná sadzba | Poplatok Vstup · Vstupné tokeny $0.000062 / 1K tokenov Výstup · Výstupné tokeny $0.000062 / 1K tokenov Vstup · Čítanie cache $0 / 1K tokenov Vstup · Zápis do cache $0 / 1K tokenov Vstup · Zápis do cache, 1 hod — / 1K tokenov |
Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →
{\n "model": "deepseek/deepseek-ocr-2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 alebo SSE
Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.
Zachovajte všetky bloky obsahu, podpisy uvažovania a skutočné ID volaní nástrojov. Zostavte všetky čiastkové zmeny blokov SSE; prvý textový blok nie je celý výstup.
Zachovajte ID požiadaviek/odpovedí aj hlavičky. Všeobecná URL na načítanie textovej úlohy nie je poskytnutá.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpoveď | Podmienka | Ďalší krok |
|---|---|---|
Odpoveď400 · invalid_request_error | PodmienkaNeplatné povinné polia, reprezentácia materiálu alebo hodnota parametra | Ďalší krokPred novou požiadavkou na vytvorenie opravte uvedené polia. |
Ailoot Ultra deepseek/deepseek-ocr-2
Použite cesty metód uvedené vyššie.
Technický príklad v angličtine
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.