Dola Seed 2.0 Pro 是字节跳动 Dola Seed 2.0 系列在 BytePlus ModelArk 上的旗舰，官方描述为面向 Agent 时代打造的通用智能体模型。
- 输入
- 文本 图像 视频 $0.5/M
- 输出
- 文本 $3/M
- 缓存读取
- $0.1/M
- 上下文
- 262K
- 对比 GPT-4o
- 便宜约 90%
输入超过 128K token 时，整个请求按输入 $1/M、输出 $6/M 计费
价格在同类中的位置
价格在 68 个同类模型中的位置
这条线标出该模型的价格在 Synthorai 同类模型中的位置，两端分别是最便宜和最贵的模型。这里是基础价，批量、区域和缓存写入的折扣见价格页。
规格与限制
Token
| 上下文窗口（供应商规格） | 256,000 |
|---|---|
| 最大输出（供应商规格） | 131,072 |
提示词缓存
| 缓存方式 | 自动 + 显式 |
|---|---|
| 最小前缀 | 1,024 |
思考
| 供应商参数 | thinking.type + reasoning_effort |
|---|---|
| 可选值 | thinking.type enabled · disabled (no auto); reasoning_effort minimal · low · medium · high |
| 默认值 | enabled，reasoning_effort 为 medium，并开启思考摘要 请求未指定时生效 |
| 可关闭 | 支持 |
| 思考行为 | 思考摘要默认开启，因此 reasoning_content 携带的是摘要以及 encrypted_content，而非原始思维链；在工具调用轮次必须回传 encrypted_content，否则推理质量会下降 |
| 参数 | reasoning_effort |
| 取值 | minimal · low · medium · high 这是网关侧的参数，实际以上方的供应商映射为准 |
模型
| 模态 | 文本 + 图像 + 视频 → 文本 |
|---|
通用智能体旗舰，在 256K 上下文内提供深度推理、视觉定位和工具调用。
一条提示词，经网关实测
Dola Seed 2.0 Pro 通过 · 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.
输出 563 tok (+416 思考) 延迟 9.4 s
指令遵循（恰好三句，数得出来）、受众适配（对 CFO 说话的口吻），以及下方 token 计数暴露出的隐藏思考计费差额。
Dola Seed 2.0 Pro 通过 · 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. […]
输出 1278 tok (+951 思考) 延迟 16.7 s
修复是否真的正确（能运行）、解释的信息密度，以及在一个范围明确的任务上的 token 效率。
Dola Seed 2.0 Pro 通过 · 5/5 fields, guidance null
{ "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null }
输出 506 tok (+452 思考) 延迟 8.6 s
是否严守 schema（不臆造字段）、能否顶住幻觉压力（原文明说暂不给出 guidance），以及结构化输出路径的差异。
Dola Seed 2.0 Pro 通过 · 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)
输出 1041 tok (+872 思考) 延迟 11.4 s
是否守住约束（字数预算、禁用词表、只能有一个问句）、文风特征，以及长度控制。
30 秒用上 Dola Seed 2.0 Pro
兼容 OpenAI：换掉 base_url，SDK 不用改。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(""));关于 Dola Seed 2.0 Pro
- 发布说明强调它在复杂推理和长程任务中的稳定表现，包括多步规划、图文推理、视频理解和高级分析；BytePlus 称它是该系列中能力最强的模型，是面向智能体工作流、支持浏览器操作与计算机操作的多模态引擎，并把内容审核、摄像头画面安全监控、网络调研与报告撰写、金融分析、文档处理和客户服务列为目标场景。
- 它在 256K 上下文窗口内提供深度推理、多模态理解、视觉定位和工具调用，输出最高 128K（含思维链），并支持前缀与会话两个层级的隐式和显式缓存。
- 在把它定为标准之前，有两处与更小的同系列成员的差异值得知道：视觉定位只列在 Pro 上，最新的 Lite 和 Mini 版本没有；而结构化输出列在那两者上，Pro 没有，因此需要受 schema 约束的响应时反而应选 Lite 或 Mini。
- thinking.type 默认开启且没有自动模式，reasoning_effort 从 minimal 到 high，默认 medium；输出在 128K 上限之下默认为 4K。
- Synthorai 把它置于 OpenAI 兼容的 completions 端点之后。
常见问题
Dola Seed 2.0 Pro API 可以免费试用吗？
可以。新账号有 10 次试用调用，免费额度最高 $1，无需绑卡。按输入 $0.5/M 计算，光这笔额度就够向 Dola Seed 2.0 Pro 发约 250 次请求，每次 ~8K token。
Dola Seed 2.0 Pro 最擅长什么？
面向 Agent 时代的通用智能体模型、复杂推理与长程任务表现稳定、视觉定位、视频理解与工具调用。完整介绍见「关于」部分，内容取自供应商的官方发布说明。
Dola Seed 2.0 Pro 的价格是多少？
在 Synthorai 上，Dola Seed 2.0 Pro 的输入价为 $0.5/百万 token，输出价为 $3/百万 token。这就是供应商官网价，平台不加价。缓存命中的输入 token 按 $0.1/M 计费。
Dola Seed 2.0 Pro 的上下文长度是多少？
Dola Seed 2.0 Pro 的上下文长度（上下文窗口）是 262K token。单次回复最多输出 131,072 个 token。
Dola Seed 2.0 Pro 支持提示词缓存（prompt caching）吗？
支持：自动缓存默认开启，另有显式模式，可以确保拿到折扣。缓存命中的输入 token 按 $0.1/M 计费（未命中为 $0.5/M）；提示词的稳定前缀至少要有 1,024 个 token 才能缓存。 提示词缓存指南 →
如何开通 Dola Seed 2.0 Pro？
把现有 OpenAI SDK 的 base_url 指向 "https://synthorai.io/v1"，model 设为 "Dola-Seed-2.0-pro" 即可。一个 API key 就能调用网关上的全部模型。
相关模型
对比
本页的每个数值都照录自供应商自己的文档（链接见上），并标有核对日期。价格是在整个目录范围内比较的；各家供应商定义不一样的规格项，只说明差异，不画图对比。这里没有任何一项是我们自己测的，也不打分。