Donut Document
donut-documentNaver CLOVA Donut OCR-free document-understanding transformer. End-to-end JSON extraction from forms, receipts and invoices without explicit OCR.
- Τιμή
- ≈ 0,0648 $/εκτέλεση
- Είσοδος → Έξοδος
- Κείμενο + Εικόνα → Κείμενο
- Προγραμματιστής
- Community
- Ενημερώθηκε
- 23 Σεπτεμβρίου 2026
Playground
Δοκιμάστε Donut Document
Χωρίς φόρμα εισόδου
Δεν υπάρχει ακόμα φόρμα εισόδου για αυτό το μοντέλο
Οι είσοδοί του δεν έχουν τεκμηριωθεί ακόμα. Ώστε να μην αποτύχει κάποια εκτέλεση σε λάθος είσοδο, δεν προσφέρουμε φόρμα εδώ. Επιλέξτε ένα συγκρίσιμο μοντέλο.
Examples
InputNo text prompt: the model only takes the input shown.
Response
{'menu': [{'nm': 'ICE BLAOKCOFFE', 'cnt': '2', 'price': '82,000'}, {'nm': 'AVOCADO COFFEE', 'cnt': '1', 'price': '61,000'}, {'nm': 'Oud CHINEN KATSU FF', 'cnt': '1', 'price': '51,000'}], 'sub_total': {'subtotal_price': '194,000', 'discount_price': '19,400'}, 'total': {'total_price': '174,600', 'cashprice': '200,000', 'changeprice': '25,400'}}
InputNo text prompt: the model only takes the input shown.
Response
{'menu': [{'nm': '0571-1854 BLUS WANITA', 'unitprice': '@120,000', 'cnt': '1', 'price': '120,000'}, {'nm': '1002-0060 SHOPPING BAG', 'cnt': '1', 'price': '0'}], 'total': {'total_price': '120,000', 'changeprice': '0', 'creditcardprice': '120,000', 'menuqty_cnt': '1'}}
Σχετικά με το Donut Document
Το Donut Document είναι ένα μοντέλο του Community στην κατηγορία Multimodal. Στο Railwail, το Donut Document κοστίζει ≈ 0,0648 $ ανά εκτέλεση.
Τιμολόγηση
| Συνήθης εκτέλεση (≈ 240 s σε T4) | 0,0648 $ ανά εκτέλεση |
|---|---|
| Χρόνος GPU (T4) | 0,00027 $ ανά δευτερόλεπτο GPU |
- Χρέωση με βάση τον χρόνο GPU που χρειάζεται πραγματικά η εκτέλεση. Κατά την έναρξη, το 3× της τυπικής τιμής δεσμεύεται από το υπόλοιπό σας και διακανονίζεται αργότερα.
- 1 πιστωτική μονάδα = 0,01 $
Αριθμομηχανή κόστους
Αριθμομηχανή τιμών
Τυπικά σύμφωνα με τον πάροχο: περίπου 240 s
Σύνολο
6,48 $
648 πιστωτικές μονάδες
Ανά εκτέλεση
0,0648 $ · 6,48 πιστωτικές μονάδες
Χρέωση με βάση τον πραγματικό χρόνο GPU· αυτή είναι μια εκτίμηση.
API
Κανένα επαληθευμένο παράδειγμα API
Το δημόσιο API περνά μια διαφορετική μορφή εισόδου από αυτή που χρειάζεται αυτό το μοντέλο. Χρησιμοποιήστε το playground παραπάνω.
Προδιαγραφές
- ID μοντέλου
donut-document- Ανάπτυξη
- Community
- Κατηγορία
- Multimodal
- Είσοδος
- Κείμενο, Εικόνα
- Έξοδος
- Κείμενο
- Χρέωση
- Κατά χρήση (tokens ή χρόνος GPU)
- Καταχώρηση καταλόγου ενημερώθηκε
- 23 Σεπτεμβρίου 2026
Ετικέτες
- replicate
- ocr
- vision-understanding
- naver
- open-source
Συχνές ερωτήσεις
Τι είναι Donut Document;
Το Donut Document είναι ένα μοντέλο του Community στην κατηγορία Multimodal.
Πόσο κοστίζει το Donut Document στο Railwail;
Στο Railwail, το Donut Document κοστίζει ≈ 0,0648 $ ανά εκτέλεση. Χρεώνεστε για αυτό που χρησιμοποιεί πραγματικά κάθε αίτημα. Η χρήση πληρώνεται από προπληρωμένες πιστωτικές μονάδες· 1 πιστωτική μονάδα ισούται με 0,01 $.
Πόσο γρήγορο είναι το Donut Document;
Δεν υπάρχουν αρκετές μετρημένες εκτελέσεις του Donut Document στο Railwail ακόμα για να δηλωθεί ένας χρόνος εκτέλεσης. Εξαρτάται από την είσοδο, τις ρυθμίσεις και το φορτίο στον πάροχο.
Είναι το Donut Document καλύτερο από το BLIP;
Αυτό εξαρτάται από την εργασία. Το Donut Document (Community) και το BLIP (Salesforce) είναι και τα δύο μοντέλα στην κατηγορία Multimodal. Η σελίδα σύγκρισης δείχνει τις τιμές και τις προδιαγραφές τους παράλληλα.
Σύγκριση Donut Document και BLIPΜπορεί το Donut Document να επεξεργαστεί εικόνες;
Ναι. Το Donut Document δέχεται εικόνες ως είσοδο εκτός από κείμενο.
Συγκρίσιμα μοντέλα
Όλα σε αυτήν την κατηγορία- BLIPSalesforce
Salesforce BLIP. Vision-language model for image captioning and visual question answering. Given an image it writes a short natural-language caption, or answers a question about the image when one is supplied. A widely used baseline for automatic captioning.
- CLIP InterrogatorCommunity
pharmapsychotic's CLIP Interrogator. Takes an image and produces a Stable-Diffusion-style text prompt by combining BLIP captioning with CLIP to rank likely subjects, artists, mediums and styles. Commonly used to reverse-engineer a prompt from an existing picture.
- Depth Anything v2Community
Monocular depth-estimation model trained on 595k labeled and 62M unlabeled images. Strong zero-shot generalization in indoor and outdoor scenes.
Όλα τα μοντέλα μέσω ενός API
Ένα κλειδί API για κάθε μοντέλο στο Railwail. Η χρήση χρεώνεται από προπληρωμένα πιστωτικά, 1 πιστωτικό = 0,01 $.