DeepSeek OCR 2 omvandlar en dokumentbild och en textinstruktion till ett textbaserat resultat. De viktigaste publicerade prompterna gäller fri OCR och konvertering av ett dokument till Markdown med information som kopplar innehållet till bildens positioner. Den andra utgåvan introducerar DeepEncoder V2 och visuellt kausalt flöde: kodaren lär sig en läsordning utifrån bildens innehåll innan språkavkodaren tolkar det. Det är särskilt relevant för sidor med spalter, tabeller, formler och icke-linjära layouter.
Arkitektur och läsordning. Modellen behåller en struktur med kodare och avkodare. DeepEncoder V2 ersätter den tidigare kodarens CLIP-komponent med en kompakt kodare av språkmodellstyp. Visuella token kan använda attention över hela bilden, medan inlärda kausala frågevektorer stegvis ordnar informationen till en sekvens för avkodaren. Konstruktionen hanterar skillnaden mellan en sidas tvådimensionella layout och den endimensionella ordning som krävs för att generera dess text.
Bildförberedelse och upplösning. Tillverkarens standardläge med dynamisk upplösning använder en global vy på 1024 × 1024 och noll till sex lokala vyer på 768 × 768. Den globala vyn ger 256 visuella token och varje lokal vy tillför 144, vilket ger 256–1 120 token per bild i den beskrivna uppsättningen. Detta är publicerade inställningar för modellens bearbetning, inte en begäran om att manuellt dela varje sida i så många delar. Lämna en läsbar bild som bevarar sidgränserna och sambanden mellan rubriker, spalter och tabeller.
Kodaren innehåller en visuell tokeniserare baserad på SAM med faltande komprimering och en kompakt kodare initialiserad från Qwen2 0.5B. Avkodaren förblir den första OCR-utgåvans mixture-of-experts-modell på 3B, med ungefär 500 miljoner aktiva parametrar. Träningen omfattar förberedelse av kodaren, förbättring av frågevektorer och specialisering av avkodaren; i slutsteget fryses kodaren och avkodaren uppdateras. Tyngdpunkten i denna revidering är bättre visuell läslogik samtidigt som komprimerade bildrepresentationer behålls.
Välj utdatauppgift. Fri OCR fokuserar på den identifierade texten utan layout. Markdown-prompten begär dokumentkonvertering med layoutinformation, vilket gör resultatet lättare att använda i en kedja för textbearbetning. För en rapport eller vetenskaplig artikel kan leveransen behålla läsbara avsnitt som du sedan söker i, sammanfattar eller använder som referensmaterial. För en tabell kontrollerar du om sambanden mellan rader och kolumner överlevde konverteringen innan du extraherar numeriska fält ur den.
För en samling sidor förbereder du sidbilderna i ursprunglig ordning och behåller en sididentifierare tillsammans med varje utdata. Det officiella projektet beskriver arbetsflöden för både bild-OCR och PDF-bearbetning, inklusive att spara resultat och accelerera inferens. Sidrendering, iteration och sammanställning är den omgivande processens ansvar. Håll den identifierade texten åtskild från senare sammanfattningar så att ett extraktionsfel kan spåras tillbaka till källsidan.
Dokumentgranskning. Forskningen undersöker text, formler, tabeller och läsordning och diskuterar särskilt täta tidningssidor som ett område som fortfarande är svårt. Behåll den tydligaste källbilden och kontrollera liten text, tabellrubriker, nedsänkta tecken och avgörande värden mot originalet. Om ett avsnitt är oläsbart skaffar du en bättre skanning eller en fokuserad vy som bevarar tillräckligt mycket av den omgivande layouten för att fastställa dess roll. Kontrollera också om utdata innehåller upprepningar eller utelämnade avsnitt innan du behandlar det som en fullständig dokumentation.
OCR 2 tillhandahåller det identifierade materialet för nästa uppgift. En efterföljande begäran kan sedan extrahera fält, bygga en sökbar anteckning eller besvara en fråga utifrån den konverterade texten. Producenten beskriver optisk dokumentläsning som det nuvarande fokuset; bredare visuellt resonemang och ytterligare modaliteter är forskningsinriktningar. Håll den förväntade leveransen specifik för textigenkänning och dokumentkonvertering när du väljer denna utgåva.
", "aboutText": "DeepSeek OCR 2 omvandlar en dokumentbild och en textinstruktion till ett textbaserat resultat. De viktigaste publicerade prompterna gäller fri OCR och konvertering av ett dokument till Markdown med information som kopplar innehållet till bildens positioner. Den andra utgåvan introducerar DeepEncoder V2 och visuellt kausalt flöde: kodaren lär sig en läsordning utifrån bildens innehåll innan språkavkodaren tolkar det. Det är särskilt relevant för sidor med spalter, tabeller, formler och icke-linjära layouter.\n\nArkitektur och läsordning. Modellen behåller en struktur med kodare och avkodare. DeepEncoder V2 ersätter den tidigare kodarens CLIP-komponent med en kompakt kodare av språkmodellstyp. Visuella token kan använda attention över hela bilden, medan inlärda kausala frågevektorer stegvis ordnar informationen till en sekvens för avkodaren. Konstruktionen hanterar skillnaden mellan en sidas tvådimensionella layout och den endimensionella ordning som krävs för att generera dess text.\n\nBildförberedelse och upplösning. Tillverkarens standardläge med dynamisk upplösning använder en global vy på 1024 × 1024 och noll till sex lokala vyer på 768 × 768. Den globala vyn ger 256 visuella token och varje lokal vy tillför 144, vilket ger 256–1 120 token per bild i den beskrivna uppsättningen. Detta är publicerade inställningar för modellens bearbetning, inte en begäran om att manuellt dela varje sida i så många delar. Lämna en läsbar bild som bevarar sidgränserna och sambanden mellan rubriker, spalter och tabeller.\n\nKodaren innehåller en visuell tokeniserare baserad på SAM med faltande komprimering och en kompakt kodare initialiserad från Qwen2 0.5B. Avkodaren förblir den första OCR-utgåvans mixture-of-experts-modell på 3B, med ungefär 500 miljoner aktiva parametrar. Träningen omfattar förberedelse av kodaren, förbättring av frågevektorer och specialisering av avkodaren; i slutsteget fryses kodaren och avkodaren uppdateras. Tyngdpunkten i denna revidering är bättre visuell läslogik samtidigt som komprimerade bildrepresentationer behålls.\n\nVälj utdatauppgift. Fri OCR fokuserar på den identifierade texten utan layout. Markdown-prompten begär dokumentkonvertering med layoutinformation, vilket gör resultatet lättare att använda i en kedja för textbearbetning. För en rapport eller vetenskaplig artikel kan leveransen behålla läsbara avsnitt som du sedan söker i, sammanfattar eller använder som referensmaterial. För en tabell kontrollerar du om sambanden mellan rader och kolumner överlevde konverteringen innan du extraherar numeriska fält ur den.\n\nFör en samling sidor förbereder du sidbilderna i ursprunglig ordning och behåller en sididentifierare tillsammans med varje utdata. Det officiella projektet beskriver arbetsflöden för både bild-OCR och PDF-bearbetning, inklusive att spara resultat och accelerera inferens. Sidrendering, iteration och sammanställning är den omgivande processens ansvar. Håll den identifierade texten åtskild från senare sammanfattningar så att ett extraktionsfel kan spåras tillbaka till källsidan.\n\nDokumentgranskning. Forskningen undersöker text, formler, tabeller och läsordning och diskuterar särskilt täta tidningssidor som ett område som fortfarande är svårt. Behåll den tydligaste källbilden och kontrollera liten text, tabellrubriker, nedsänkta tecken och avgörande värden mot originalet. Om ett avsnitt är oläsbart skaffar du en bättre skanning eller en fokuserad vy som bevarar tillräckligt mycket av den omgivande layouten för att fastställa dess roll. Kontrollera också om utdata innehåller upprepningar eller utelämnade avsnitt innan du behandlar det som en fullständig dokumentation.\n\nOCR 2 tillhandahåller det identifierade materialet för nästa uppgift. En efterföljande begäran kan sedan extrahera fält, bygga en sökbar anteckning eller besvara en fråga utifrån den konverterade texten. Producenten beskriver optisk dokumentläsning som det nuvarande fokuset; bredare visuellt resonemang och ytterligare modaliteter är forskningsinriktningar. Håll den förväntade leveransen specifik för textigenkänning och dokumentkonvertering när du väljer denna utgåva.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
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 andra OCR-modell omvandlar dokumentbilder till text eller Markdown som tar hänsyn till layouten. Dess DeepEncoder V2 ordnar visuell information efter läslogik och stöder sidor som kombinerar text, formler, tabeller och komplexa layouter.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek OCR 2 omvandlar en dokumentbild och en textinstruktion till ett textbaserat resultat. De viktigaste publicerade prompterna gäller fri OCR och konvertering av ett dokument till Markdown med information som kopplar innehållet till bildens positioner. Den andra utgåvan introducerar DeepEncoder V2 och visuellt kausalt flöde: kodaren lär sig en läsordning utifrån bildens innehåll innan språkavkodaren tolkar det. Det är särskilt relevant för sidor med spalter, tabeller, formler och icke-linjära layouter.
Arkitektur och läsordning. Modellen behåller en struktur med kodare och avkodare. DeepEncoder V2 ersätter den tidigare kodarens CLIP-komponent med en kompakt kodare av språkmodellstyp. Visuella token kan använda attention över hela bilden, medan inlärda kausala frågevektorer stegvis ordnar informationen till en sekvens för avkodaren. Konstruktionen hanterar skillnaden mellan en sidas tvådimensionella layout och den endimensionella ordning som krävs för att generera dess text.
Bildförberedelse och upplösning. Tillverkarens standardläge med dynamisk upplösning använder en global vy på 1024 × 1024 och noll till sex lokala vyer på 768 × 768. Den globala vyn ger 256 visuella token och varje lokal vy tillför 144, vilket ger 256–1 120 token per bild i den beskrivna uppsättningen. Detta är publicerade inställningar för modellens bearbetning, inte en begäran om att manuellt dela varje sida i så många delar. Lämna en läsbar bild som bevarar sidgränserna och sambanden mellan rubriker, spalter och tabeller.
Kodaren innehåller en visuell tokeniserare baserad på SAM med faltande komprimering och en kompakt kodare initialiserad från Qwen2 0.5B. Avkodaren förblir den första OCR-utgåvans mixture-of-experts-modell på 3B, med ungefär 500 miljoner aktiva parametrar. Träningen omfattar förberedelse av kodaren, förbättring av frågevektorer och specialisering av avkodaren; i slutsteget fryses kodaren och avkodaren uppdateras. Tyngdpunkten i denna revidering är bättre visuell läslogik samtidigt som komprimerade bildrepresentationer behålls.
Välj utdatauppgift. Fri OCR fokuserar på den identifierade texten utan layout. Markdown-prompten begär dokumentkonvertering med layoutinformation, vilket gör resultatet lättare att använda i en kedja för textbearbetning. För en rapport eller vetenskaplig artikel kan leveransen behålla läsbara avsnitt som du sedan söker i, sammanfattar eller använder som referensmaterial. För en tabell kontrollerar du om sambanden mellan rader och kolumner överlevde konverteringen innan du extraherar numeriska fält ur den.
För en samling sidor förbereder du sidbilderna i ursprunglig ordning och behåller en sididentifierare tillsammans med varje utdata. Det officiella projektet beskriver arbetsflöden för både bild-OCR och PDF-bearbetning, inklusive att spara resultat och accelerera inferens. Sidrendering, iteration och sammanställning är den omgivande processens ansvar. Håll den identifierade texten åtskild från senare sammanfattningar så att ett extraktionsfel kan spåras tillbaka till källsidan.
Dokumentgranskning. Forskningen undersöker text, formler, tabeller och läsordning och diskuterar särskilt täta tidningssidor som ett område som fortfarande är svårt. Behåll den tydligaste källbilden och kontrollera liten text, tabellrubriker, nedsänkta tecken och avgörande värden mot originalet. Om ett avsnitt är oläsbart skaffar du en bättre skanning eller en fokuserad vy som bevarar tillräckligt mycket av den omgivande layouten för att fastställa dess roll. Kontrollera också om utdata innehåller upprepningar eller utelämnade avsnitt innan du behandlar det som en fullständig dokumentation.
OCR 2 tillhandahåller det identifierade materialet för nästa uppgift. En efterföljande begäran kan sedan extrahera fält, bygga en sökbar anteckning eller besvara en fråga utifrån den konverterade texten. Producenten beskriver optisk dokumentläsning som det nuvarande fokuset; bredare visuellt resonemang och ytterligare modaliteter är forskningsinriktningar. Håll den förväntade leveransen specifik för textigenkänning och dokumentkonvertering när du väljer denna utgåva.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek/deepseek-ocr-2 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.000062 / 1K token Utdata · Utdatatoken $0.000062 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra deepseek/deepseek-ocr-2
Använd metodsökvägarna som visas ovan.
deepseek/deepseek-ocr-2DeepSeeks andra OCR-modell omvandlar dokumentbilder till text eller Markdown som tar hänsyn till layouten. Dess DeepEncoder V2 ordnar visuell information efter läslogik och stöder sidor som kombinerar text, formler, tabeller och komplexa layouter.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
DeepSeek OCR 2 omvandlar en dokumentbild och en textinstruktion till ett textbaserat resultat. De viktigaste publicerade prompterna gäller fri OCR och konvertering av ett dokument till Markdown med information som kopplar innehållet till bildens positioner. Den andra utgåvan introducerar DeepEncoder V2 och visuellt kausalt flöde: kodaren lär sig en läsordning utifrån bildens innehåll innan språkavkodaren tolkar det. Det är särskilt relevant för sidor med spalter, tabeller, formler och icke-linjära layouter.
Arkitektur och läsordning. Modellen behåller en struktur med kodare och avkodare. DeepEncoder V2 ersätter den tidigare kodarens CLIP-komponent med en kompakt kodare av språkmodellstyp. Visuella token kan använda attention över hela bilden, medan inlärda kausala frågevektorer stegvis ordnar informationen till en sekvens för avkodaren. Konstruktionen hanterar skillnaden mellan en sidas tvådimensionella layout och den endimensionella ordning som krävs för att generera dess text.
Bildförberedelse och upplösning. Tillverkarens standardläge med dynamisk upplösning använder en global vy på 1024 × 1024 och noll till sex lokala vyer på 768 × 768. Den globala vyn ger 256 visuella token och varje lokal vy tillför 144, vilket ger 256–1 120 token per bild i den beskrivna uppsättningen. Detta är publicerade inställningar för modellens bearbetning, inte en begäran om att manuellt dela varje sida i så många delar. Lämna en läsbar bild som bevarar sidgränserna och sambanden mellan rubriker, spalter och tabeller.
Kodaren innehåller en visuell tokeniserare baserad på SAM med faltande komprimering och en kompakt kodare initialiserad från Qwen2 0.5B. Avkodaren förblir den första OCR-utgåvans mixture-of-experts-modell på 3B, med ungefär 500 miljoner aktiva parametrar. Träningen omfattar förberedelse av kodaren, förbättring av frågevektorer och specialisering av avkodaren; i slutsteget fryses kodaren och avkodaren uppdateras. Tyngdpunkten i denna revidering är bättre visuell läslogik samtidigt som komprimerade bildrepresentationer behålls.
Välj utdatauppgift. Fri OCR fokuserar på den identifierade texten utan layout. Markdown-prompten begär dokumentkonvertering med layoutinformation, vilket gör resultatet lättare att använda i en kedja för textbearbetning. För en rapport eller vetenskaplig artikel kan leveransen behålla läsbara avsnitt som du sedan söker i, sammanfattar eller använder som referensmaterial. För en tabell kontrollerar du om sambanden mellan rader och kolumner överlevde konverteringen innan du extraherar numeriska fält ur den.
För en samling sidor förbereder du sidbilderna i ursprunglig ordning och behåller en sididentifierare tillsammans med varje utdata. Det officiella projektet beskriver arbetsflöden för både bild-OCR och PDF-bearbetning, inklusive att spara resultat och accelerera inferens. Sidrendering, iteration och sammanställning är den omgivande processens ansvar. Håll den identifierade texten åtskild från senare sammanfattningar så att ett extraktionsfel kan spåras tillbaka till källsidan.
Dokumentgranskning. Forskningen undersöker text, formler, tabeller och läsordning och diskuterar särskilt täta tidningssidor som ett område som fortfarande är svårt. Behåll den tydligaste källbilden och kontrollera liten text, tabellrubriker, nedsänkta tecken och avgörande värden mot originalet. Om ett avsnitt är oläsbart skaffar du en bättre skanning eller en fokuserad vy som bevarar tillräckligt mycket av den omgivande layouten för att fastställa dess roll. Kontrollera också om utdata innehåller upprepningar eller utelämnade avsnitt innan du behandlar det som en fullständig dokumentation.
OCR 2 tillhandahåller det identifierade materialet för nästa uppgift. En efterföljande begäran kan sedan extrahera fält, bygga en sökbar anteckning eller besvara en fråga utifrån den konverterade texten. Producenten beskriver optisk dokumentläsning som det nuvarande fokuset; bredare visuellt resonemang och ytterligare modaliteter är forskningsinriktningar. Håll den förväntade leveransen specifik för textigenkänning och dokumentkonvertering när du väljer denna utgåva.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser deepseek/deepseek-ocr-2 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.000062 / 1K token Utdata · Utdatatoken $0.000062 / 1K token Indata · Cacheläsning $0 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "deepseek/deepseek-ocr-2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra deepseek/deepseek-ocr-2
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
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.