Dola Seed 2.0 Pro est le fleuron de la famille Dola Seed 2.0 de ByteDance sur BytePlus ModelArk, décrit officiellement comme un modèle agentique polyvalent conçu pour l'ère des agents.
- Entrée
- texte image vidéo $0.5/M
- Sortie
- texte $3/M
- Lecture de cache
- $0.1/M
- Contexte
- 262K
- vs GPT-4o
- ~90% moins cher
Prompts de plus de 128K tokens : toute la requête est facturée $1/M en entrée · $6/M en sortie
Le prix en perspective
Position du prix parmi 68 modèles comparables
La barre situe le prix de ce modèle parmi tous les modèles du même type sur Synthorai. Le moins cher et le plus cher sont nommés à chaque extrémité. Ce sont des tarifs de base ; les remises liées au batch, à la région et aux écritures de cache figurent sur la page des tarifs.
Spécifications et limites
Tokens
| Fenêtre de contexte (spécification du fournisseur) | 256 000 |
|---|---|
| Sortie max (spéc. fournisseur) | 131 072 |
Mise en cache
| Mode | automatique + explicite |
|---|---|
| Préfixe min. | 1 024 |
Réflexion
| Paramètre du fournisseur | thinking.type + reasoning_effort |
|---|---|
| Valeurs acceptées | thinking.type enabled · disabled (no auto); reasoning_effort minimal · low · medium · high |
| Valeur par défaut | enabled, avec reasoning_effort medium et le résumé de réflexion activé appliquée si la requête ne précise rien |
| Désactivable | Oui |
| Comportement de la réflexion | Le résumé de réflexion est activé par défaut: reasoning_content porte donc un résumé aux côtés d'encrypted_content plutôt que la trace brute ; sur les tours d'appel d'outils, encrypted_content doit être renvoyé sous peine de dégrader la qualité de l'inférence. |
| Paramètre | reasoning_effort |
| Valeurs | minimal · low · medium · high paramètres exposés par la passerelle ; la correspondance avec ceux du fournisseur, ci-dessus, s'applique |
Modèle
| Modalités | texte + image + vidéo → texte |
|---|
Fleuron agentique polyvalent, avec raisonnement approfondi, ancrage visuel et appel d'outils dans un contexte de 256K.
Un prompt, mesuré via la passerelle
Dola Seed 2.0 Pro réussi · 3 sentences
Reasoning-enabled LLMs do not generate final answers in one pass: they run hundreds of unshown internal trial, cross-check, and correction steps for every user request, and every one of these hidden steps consumes billable GPU time just like the visible output text. Unlike our prior standard chat workload which only processed exactly what users typed, reasoning mode automatically executes these validation loops by default, with no visible indicator to end users that extra compute is being consumed. This 2x increase is not a billing error or rogue usage spike: industry benchmarks consistently put reasoning workloads at 1.7-2.6x the compute cost of equivalent standard LLM requests, and this pricing dynamic is almost never clearly disclosed on vendor rate cards.
sortie 563 tok (+416 réflexion) latence 9.4 s
Le respect de la consigne (exactement trois phrases, ça se compte), l'adaptation au public visé (le registre d'un directeur financier) et l'écart de facturation dû à la réflexion masquée, que révèlent les compteurs de tokens ci-dessous.
Dola Seed 2.0 Pro réussi · 8/8 cases
### Corrected Implementation ```python def longest_run(xs): if not xs: return 0 best = 1 cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 best = max(best, cur) else: cur = 1 return best ``` --- ### Bug Explanation The original code has three critical linked flaws: 1. It initialized run counters `best` and `cur` to `0` instead of `1`, failing to account for the fact that *every individual element is already a valid run of length 1* -- this causes single-element inputs to incorrectly return `0`. 2. `cur` only counted how many extra matching elements followed the start of a run, so it always tracked one less than the actual run length, and it reset to `0` (instead of `1`) when a new run began, preserving this off-by-one error for all runs. 3. […]
sortie 1278 tok (+951 réflexion) latence 16.7 s
La justesse réelle du correctif (il s'exécute), la densité de l'explication et l'économie de tokens sur une tâche bien délimitée.
Dola Seed 2.0 Pro réussi · 5/5 fields, guidance null
{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null }
sortie 506 tok (+452 réflexion) latence 8.6 s
Le respect du schéma (aucun champ inventé), la tentation d'halluciner (le texte indique que la guidance n'est pas communiquée) et les différences entre les mécanismes de sortie structurée.
Dola Seed 2.0 Pro réussi · 123 words, 0 banned, 1 question
Today we’re rolling out cross-provider prompt caching for our API gateway. For engineering teams routing LLM requests across OpenAI, Anthropic, Mistral and open source models, this feature stores identical prompt payloads at the gateway layer, rather than relying on per-provider cache implementations limited to single endpoints. How much time and compute could your team save by avoiding redundant token processing for repeated system prompts, context windows, or common user queries? Cache hits return responses in under 10ms, with configurable TTL, granular purge controls, and per-application cache partitioning. Early access teams running support bots, batch inference and internal assistants recorded 42-67% lower LLM spend. This feature is live for all gateway users today, with no required code changes to existing routing workflows. (120 words)
sortie 1041 tok (+872 réflexion) latence 11.4 s
Le respect des contraintes (nombre de mots, liste de mots interdits, une seule question), l'empreinte stylistique et la maîtrise de la longueur.
Utilisez Dola Seed 2.0 Pro en 30 secondes
Compatible OpenAI : changez la base_url, gardez votre SDK. POST /v1/chat/completions
from openai import OpenAI
client = OpenAI(
base_url="https://synthorai.io/v1",
api_key="sk-syn-...",
)
resp = client.chat.completions.create(
model="Dola-Seed-2.0-pro",
messages=[{"role": "user", "content": "Summarize this diff"}],
reasoning_effort="medium",
)
print(resp.choices[0].message.content)import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://synthorai.io/v1",
apiKey: "sk-syn-...",
});
const resp = await client.chat.completions.create({
model: "Dola-Seed-2.0-pro",
messages: [{ role: "user", content: "Summarize this diff" }],
reasoning_effort: "medium",
});
console.log(resp.choices[0].message.content);curl https://synthorai.io/v1/chat/completions \
-H "Authorization: Bearer sk-syn-..." \
-H "Content-Type: application/json" \
-d '{
"model": "Dola-Seed-2.0-pro",
"messages": [{"role": "user", "content": "Hello"}],
"reasoning_effort": "medium"
}'package main
import (
"context"
"fmt"
"github.com/openai/openai-go/v3"
"github.com/openai/openai-go/v3/option"
)
func main() {
client := openai.NewClient(
option.WithBaseURL("https://synthorai.io/v1"),
option.WithAPIKey("sk-syn-..."),
)
resp, _ := client.Chat.Completions.New(context.TODO(), openai.ChatCompletionNewParams{
Model: "Dola-Seed-2.0-pro",
Messages: []openai.ChatCompletionMessageParamUnion{
openai.UserMessage("Summarize this diff"),
},
ReasoningEffort: openai.ReasoningEffortMedium,
})
fmt.Println(resp.Choices[0].Message.Content)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;
import com.openai.models.ReasoningEffort;
OpenAIClient client = OpenAIOkHttpClient.builder()
.baseUrl("https://synthorai.io/v1")
.apiKey("sk-syn-...")
.build();
ChatCompletion resp = client.chat().completions().create(
ChatCompletionCreateParams.builder()
.model("Dola-Seed-2.0-pro")
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));À propos de Dola Seed 2.0 Pro
- Les notes de version soulignent des performances stables sur le raisonnement complexe et les tâches à long horizon, dont la planification multi-étapes, le raisonnement visuo-textuel, la compréhension vidéo et l'analyse avancée, et BytePlus le qualifie de modèle le plus capable de la série, un moteur multimodal pour les workflows pilotés par des agents avec usage du navigateur et usage de l'ordinateur, en nommant comme scénarios cibles la modération de contenu, la surveillance de sécurité par flux caméra, la recherche web et la rédaction de rapports, l'analyse financière, le traitement documentaire et le service client.
- Il fournit raisonnement approfondi, compréhension multimodale, ancrage visuel et appel d'outils dans une fenêtre de contexte de 256K et jusqu'à 128K en sortie, chaîne de raisonnement comprise, plus la mise en cache par préfixe et par session, sous forme implicite comme explicite.
- Deux différences avec ses cadets méritent d'être connues avant de le standardiser : l'ancrage visuel est indiqué pour Pro et non pour les versions les plus récentes de Lite et Mini, tandis que les sorties structurées sont indiquées pour ces deux-là et non pour Pro, si bien que des réponses contraintes par un schéma plaident plutôt pour Lite ou Mini.
- Thinking.type est activé par défaut sans mode automatique, et reasoning_effort va de minimal à high, avec medium par défaut ; la sortie vaut 4K par défaut face au plafond de 128K.
- Synthorai le place derrière son endpoint de completions compatible OpenAI.
FAQ
Peut-on essayer l'API Dola Seed 2.0 Pro gratuitement ?
Oui : les nouveaux comptes reçoivent 10 appels d'essai et jusqu'à $1 de crédit gratuit, sans carte bancaire. À $0.5/M de tokens en entrée, ce crédit couvre à lui seul environ 250 requêtes de ~8K tokens sur Dola Seed 2.0 Pro.
Quels sont les points forts de Dola Seed 2.0 Pro ?
Modèle agentique polyvalent pour l'ère des agents ; stable sur le raisonnement complexe et les tâches à long horizon ; ancrage visuel, compréhension vidéo et appel d'outils. La section À propos en donne un aperçu complet, tiré des notes de version du fournisseur.
Combien coûte Dola Seed 2.0 Pro ?
Sur Synthorai, Dola Seed 2.0 Pro coûte $0.5 par million de tokens en entrée et $3 par million de tokens en sortie, soit le tarif public du fournisseur, sans majoration de plateforme. Les tokens d'entrée en cache sont facturés $0.1/M.
Quelle est la fenêtre de contexte de Dola Seed 2.0 Pro ?
Dola Seed 2.0 Pro dispose d'une fenêtre de contexte de 262K tokens sur Synthorai. Une réponse peut compter jusqu'à 131,072 tokens.
Dola Seed 2.0 Pro prend-il en charge la mise en cache des prompts ?
Oui : la mise en cache automatique est activée par défaut, avec un mode explicite pour des économies garanties. Les tokens d'entrée en cache sont facturés $0.1/M contre $0.5/M hors cache ; les prompts doivent avoir un préfixe stable de 1,024 tokens pour être mis en cache. Guide de mise en cache des prompts →
Comment obtenir l'accès à Dola Seed 2.0 Pro ?
Dans votre SDK OpenAI actuel, indiquez base_url="https://synthorai.io/v1" et model="Dola-Seed-2.0-pro", et c'est tout. Une seule clé API donne accès à tous les modèles de la passerelle.
Modèles associés
Comparer
Chaque valeur de cette page est reprise de la documentation du fournisseur (lien ci-dessus) et porte la date de sa vérification. Les prix sont comparés à l'échelle du catalogue. Quand les fournisseurs ne définissent pas une spécification de la même façon, la différence est signalée et la valeur n'est pas mise en graphique. Nous ne mesurons rien ici et nous n'attribuons aucune note.