O Dola Seed 2.0 Pro é o carro-chefe da família Dola Seed 2.0 da ByteDance no BytePlus ModelArk, descrito oficialmente como um modelo agêntico de propósito geral criado para a era dos Agentes.
- Entrada
- texto imagem vídeo $0.5/M
- Saída
- texto $3/M
- Leitura de cache
- $0.1/M
- Contexto
- 262K
- vs GPT-4o
- ~90% mais barato
Prompts acima de 128K tokens: toda a requisição é cobrada a $1/M de entrada · $6/M de saída
O preço em contexto
Posição do preço entre 68 modelos comparáveis
A barra mostra onde fica o preço deste modelo entre todos os modelos do mesmo tipo na Synthorai. Nas extremidades aparecem o mais barato e o mais caro. São as tarifas base; os descontos de batch, região e escrita de cache estão na página de preços.
Especificações e limites
Tokens
| Janela de contexto (especificação do provedor) | 256.000 |
|---|---|
| Saída máxima (especificação do provedor) | 131.072 |
Cache de prompts
| Modo | automático + explícito |
|---|---|
| Prefixo mín. | 1.024 |
Raciocínio
| Parâmetro do provedor | thinking.type + reasoning_effort |
|---|---|
| Valores aceitos | thinking.type enabled · disabled (no auto); reasoning_effort minimal · low · medium · high |
| Valor padrão | enabled, com reasoning_effort medium e resumo de raciocínio ativado usado quando a requisição não define nada |
| Pode ser desativado | Sim |
| Comportamento do raciocínio | O resumo de raciocínio vem ativado por padrão, então reasoning_content carrega um resumo ao lado de encrypted_content em vez do trace bruto; nos turnos com chamada de ferramentas encrypted_content precisa ser devolvido, caso contrário a qualidade da inferência cai. |
| Parâmetro | reasoning_effort |
| Valores | minimal · low · medium · high parâmetros expostos pelo gateway; vale o mapeamento do provedor indicado acima |
Modelo
| Modalidades | texto + imagem + vídeo → texto |
|---|
Carro-chefe agêntico de propósito geral com raciocínio profundo, grounding visual e chamada de ferramentas em um contexto de 256K.
conforme documentação oficial da ByteDance ↗
Um prompt, medido pelo gateway
Dola Seed 2.0 Pro passou · 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.
saída 563 tok (+416 raciocínio) latência 9.4 s
Se a instrução é seguida (exatamente três frases, dá para contar), a adequação ao público (tom para um CFO) e a diferença de cobrança causada pelo raciocínio oculto, que os medidores de tokens abaixo deixam à mostra.
Dola Seed 2.0 Pro passou · 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. […]
saída 1278 tok (+951 raciocínio) latência 16.7 s
Se a correção está mesmo certa (dá para executar), a densidade da explicação e a eficiência em tokens em uma tarefa bem delimitada.
Dola Seed 2.0 Pro passou · 5/5 fields, guidance null
{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null }
saída 506 tok (+452 raciocínio) latência 8.6 s
Aderência ao schema (sem campos inventados), pressão para alucinar (o texto diz explicitamente que o guidance não foi divulgado) e diferenças no caminho de saída estruturada.
Dola Seed 2.0 Pro passou · 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)
saída 1041 tok (+872 raciocínio) latência 11.4 s
Respeito às restrições (limite de palavras, lista de palavras proibidas, uma única pergunta), a marca de estilo de cada modelo e o controle do tamanho.
Use o Dola Seed 2.0 Pro em 30 segundos
Compatível com OpenAI: troque a base_url, mantenha seu 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(""));Sobre o Dola Seed 2.0 Pro
- As notas de lançamento destacam desempenho estável em raciocínio complexo e tarefas de longo horizonte, incluindo planejamento em múltiplas etapas, raciocínio visual-textual, entendimento de vídeo e análise avançada, e a BytePlus o chama de modelo mais capaz da série, um motor multimodal para fluxos de trabalho conduzidos por agentes com uso de navegador e uso de computador, nomeando moderação de conteúdo, monitoramento de segurança por câmeras, pesquisa na web e redação de relatórios, análise financeira, processamento de documentos e atendimento ao cliente como cenários-alvo.
- Ele fornece raciocínio profundo, entendimento multimodal, grounding visual e chamada de ferramentas dentro de uma janela de contexto de 256K e até 128K de saída incluindo chain-of-thought, além de cache de prefixo e de sessão nas formas implícita e explícita.
- Duas diferenças em relação aos irmãos menores valem ser conhecidas antes de padronizar nele: grounding visual é listado para o Pro e não para as builds mais recentes de Lite e Mini, enquanto a saída estruturada é listada para esses dois e não para o Pro, então respostas restritas por schema recomendam o Lite ou o Mini.
- Thinking.type vem habilitado por padrão, sem modo automático, e reasoning_effort vai de minimal a high, com medium como padrão; a saída assume 4K por padrão diante do teto de 128K.
- A Synthorai o coloca atrás do seu endpoint de completions compatível com OpenAI.
Perguntas frequentes
A API do Dola Seed 2.0 Pro é gratuita para testar?
Sim. Contas novas recebem 10 chamadas de teste e até $1 em créditos gratuitos, sem precisar de cartão. A $0.5/M de tokens de entrada, só esse crédito já cobre cerca de 250 requisições de ~8K tokens ao Dola Seed 2.0 Pro.
Em que o Dola Seed 2.0 Pro é melhor?
Modelo agêntico de propósito geral para a era dos Agentes; estável em raciocínio complexo e tarefas de longo horizonte; grounding visual, entendimento de vídeo e chamada de ferramentas. Veja na seção Sobre o quadro completo, tirado das notas de lançamento do próprio provedor.
Quanto custa o Dola Seed 2.0 Pro?
Na Synthorai, o Dola Seed 2.0 Pro custa $0.5 por milhão de tokens de entrada e $3 por milhão de tokens de saída. É o preço de tabela do provedor, sem markup da plataforma. Tokens de entrada em cache são cobrados a $0.1/M.
Qual é a janela de contexto do Dola Seed 2.0 Pro?
O Dola Seed 2.0 Pro tem uma janela de contexto de 262K tokens na Synthorai. Uma única resposta pode ter até 131,072 tokens.
O Dola Seed 2.0 Pro suporta cache de prompts?
Sim: o cache automático vem ativado por padrão, com um modo explícito para economia garantida. Tokens de entrada em cache são cobrados a $0.1/M, contra $0.5/M sem cache; os prompts precisam de um prefixo estável de 1,024 tokens para entrar em cache. Guia de cache de prompts →
Como obtenho acesso ao Dola Seed 2.0 Pro?
Aponte o SDK da OpenAI que você já usa para base_url="https://synthorai.io/v1", defina model="Dola-Seed-2.0-pro" e pronto. Uma única chave de API cobre todos os modelos do gateway.
Modelos relacionados
Comparar
Cada valor desta página foi transcrito da documentação do provedor, com link acima, e traz a data em que foi verificado. Os preços são comparados em todo o catálogo; já as especificações que cada provedor define de um jeito aparecem com a diferença indicada, em vez de irem para um gráfico. Nada aqui foi medido por nós, e nada recebe nota.