Dola Seed 2.0 Pro 是字節跳動 Dola Seed 2.0 系列在 BytePlus ModelArk 上的旗艦，官方描述為面向 Agent 時代打造的通用智慧體模型。
- 輸入
- 文字 圖像 影片 $0.5/M
- 輸出
- 文字 $3/M
- 快取讀取
- $0.1/M
- 上下文
- 262K
- 相較 GPT-4o
- 便宜約 90%
輸入超過 128K token 時，整筆請求按輸入 $1/M、輸出 $6/M 計費
價格在同類中的位置
價格在 68 個同類模型中的位置
這條線標出這個模型的價格，在 Synthorai 的同類模型裡落在什麼位置；兩端分別是最便宜和最貴的模型。這裡列的是基礎價，批次、區域和快取寫入的折扣請見價格頁。
規格與限制
Token
| 上下文視窗（供應商規格） | 256,000 |
|---|---|
| 最大輸出（供應商規格） | 131,072 |
提示詞快取
| 快取方式 | 自動 + 顯式 |
|---|---|
| 最小前綴 | 1,024 |
思考
| 供應商參數 | thinking.type + reasoning_effort |
|---|---|
| 可接受的值 | thinking.type enabled · disabled (no auto); reasoning_effort minimal · low · medium · high |
| 預設值 | enabled，reasoning_effort 為 medium，並開啟思考摘要 請求未指定時生效 |
| 可關閉 | 支援 |
| 思考行為 | 思考摘要預設開啟，因此 reasoning_content 帶回的是摘要並附帶 encrypted_content，而非原始軌跡；在工具呼叫的輪次中必須回傳 encrypted_content，否則推理品質會下降。 |
| 參數 | reasoning_effort |
| 參數值 | minimal · low · medium · high 這是閘道的參數，實際以上方的供應商對應為準 |
模型
| 模態 | 文字 + 圖像 + 影片 → 文字 |
|---|
通用智慧體旗艦，在 256K 上下文內提供深度推理、視覺定位與工具呼叫。
一段提示詞，經閘道實測
Dola Seed 2.0 Pro 通過 · 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.
輸出 563 tok (+416 思考) 延遲 9.4 s
是否照指令做（剛好三句，數得出來）、語氣是否貼合對象（寫給 CFO 看），以及下方 token 計量顯示出的隱藏思考計費落差。
Dola Seed 2.0 Pro 通過 · 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. […]
輸出 1278 tok (+951 思考) 延遲 16.7 s
修正是否真的正確（跑得起來）、說明的資訊密度，以及在範圍明確的任務上的 token 效率。
Dola Seed 2.0 Pro 通過 · 5/5 fields, guidance null
{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null }
輸出 506 tok (+452 思考) 延遲 8.6 s
是否遵守 schema（不自創欄位）、面對幻覺誘因的表現（題目明確不給 guidance），以及結構化輸出路徑的差異。
Dola Seed 2.0 Pro 通過 · 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)
輸出 1041 tok (+872 思考) 延遲 11.4 s
是否遵守限制（字數上限、禁用詞清單、只能有一句問句）、文字風格的特徵，以及長度控制。
30 秒上手 Dola Seed 2.0 Pro
相容 OpenAI：換掉 base_url，SDK 不用換。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(""));關於 Dola Seed 2.0 Pro
- 釋出說明強調它在複雜推理和長程任務中的穩定表現，包括多步規劃、圖文推理、影片理解和高階分析；BytePlus 稱它是該系列中能力最強的模型，一個支援瀏覽器操作與電腦操作、面向智慧體工作流的多模態引擎，並點名內容稽核、攝影機畫面安全監控、網頁調研與報告撰寫、金融分析、文件處理和客服為目標場景。
- 它在 256K 上下文視窗內提供深度推理、多模態理解、視覺定位和工具呼叫，輸出最高 128K（含思維鏈），並支援前綴與會話層級的隱式和顯式快取。
- 在把它定為標準之前，有兩處與較小同門的差異值得知道：視覺定位只列在 Pro 上，最新的 Lite 和 Mini 版本沒有；而結構化輸出列在那兩者上，Pro 沒有，因此需要受 schema 約束的回覆時應該選 Lite 或 Mini。
- thinking.type 預設為 enabled 且沒有自動模式，reasoning_effort 從 minimal 到 high，預設為 medium；輸出上限為 128K，但預設仍是 4K。
- Synthorai 將它置於 OpenAI 相容的 completions 端點之後。
常見問題
Dola Seed 2.0 Pro API 可以免費試用嗎？
可以，新帳號有 10 次試用呼叫和最高 $1 的免費額度，免綁卡。以輸入價 $0.5/M 計算，光是這筆額度就夠你對 Dola Seed 2.0 Pro 發出約 250 次請求，每次約 8K token。
Dola Seed 2.0 Pro 最擅長什麼？
面向 Agent 時代的通用智慧體模型、複雜推理與長程任務表現穩定、視覺定位、影片理解與工具呼叫。完整介紹請見「關於」一節，內容取自供應商官方的發布說明。
Dola Seed 2.0 Pro 的價格是多少？
在 Synthorai 上，Dola Seed 2.0 Pro 的輸入價是每百萬 token $0.5，輸出價是每百萬 token $3。這就是供應商官網價，平台不加價。快取命中的輸入 token 以 $0.1/M 計費。
Dola Seed 2.0 Pro 的上下文長度是多少？
Dola Seed 2.0 Pro 的上下文長度（上下文視窗）是 262K token。單次回覆最多輸出 131,072 個 token。
Dola Seed 2.0 Pro 支援提示詞快取（prompt caching）嗎？
支援：自動快取預設開啟，另有顯式模式，可確保拿到折扣。快取命中的輸入 token 以 $0.1/M 計費（未命中為 $0.5/M）；提示詞要有 1,024 個 token 以上的穩定前綴，才能命中快取。 提示詞快取指南 →
如何開通 Dola Seed 2.0 Pro？
把現有 OpenAI SDK 的 base_url 指向 "https://synthorai.io/v1"，model 設為 "Dola-Seed-2.0-pro" 就可以了。一把 API 金鑰就能呼叫閘道上的所有模型。
相關模型
比較
本頁每一個數值都摘錄自供應商自己的文件（連結見上方），並附上查核日期。價格是放在整個目錄裡比較；各家供應商定義不一樣的規格，只說明差異，不畫成圖表比較。這裡沒有任何數據是我們自己量測的，也不做評分。