描述
Surya OCR 2.5 是由 Datalab 开发的最先进的图像文本到文本模型,专门针对强大的文档智能任务而设计。它拥有 6.89 亿个参数,在光学字符识别(OCR)、布局分析和表格识别方面表现出色,相较于之前的版本有显著提升。
阅读更多
该模型表现出色的准确性,在 OmniParseBench 上得分 85.9,在 olmOCR-bench 上得分 83.7%,使其成为 Datalab 评估中在 10 亿参数以下的开放模型中得分最高的。它的速度也令人印象深刻,在 192 DPI 的 H100 GPU 上实现每秒 4.5 页的吞吐量,比使用 MTP 的 Surya 2 快 1.7 倍。
Surya OCR 2.5 具有高度的多语言能力,在覆盖 91 种语言的内部基准测试中实现 74.9% 的通过率。它执行全面的布局分析,识别表格、图像和标题等元素,并准确确定阅读顺序。一个关键特性是它能够将表格输出为 HTML,合并单元格通过 `colspan` 和 `rowspan` 属性表示。
除了全页 OCR,Surya OCR 2.5 还包括用于行级文本检测和 OCR 错误检测的小型专用模型。它支持广泛的文档类型,从报纸和参考书到政府表格、手写信件和企业文档。该模型可以与 vllm(用于 NVIDIA GPU)或 llama.cpp(用于 CPU/Apple Silicon)等推理后端一起安装和运行,并提供一个交互式的 Streamlit 应用程序,便于测试。
Surya 代码的商业使用根据 Apache 2.0 许可,而模型权重使用修改后的 AI Pubs Open Rail-M 许可,允许在 500 万美元以下的资金/收入下免费用于研究、个人项目和初创公司。更广泛的商业许可选项可通过 Datalab 的定价页面获得。Datalab 还提供一个托管平台,运行 Surya 及其更高准确度的变体 Chandra,并为新注册用户提供免费积分。
- 类别计算机视觉工具
- 定价模式免费增值
- 部署云端
- 平台网页版
Surya OCR 2.5亮点
图像文本到文本模型:处理图像以提取文本和结构信息。
高准确性:在 OmniParseBench 上得分 85.9,在 olmOCR-bench 上得分 83.7%。
快速吞吐量:在 192 DPI 的 H100 上实现每秒 4.5 页。
多语言支持:在 91 种语言的基准测试中整体通过率为 74.9%。
布局分析:检测表格、图像、标题,并确定阅读顺序。
表格识别:将表格提取为 HTML,包含合并单元格(colspan/rowspan)。
文本行检测:用于精确行级文本检测的单独模型。
OCR 错误检测:专用模型用于识别 OCR 不准确之处。
VLM 集成:通过单个 VLM 运行布局、OCR 和表格识别。
灵活的推理后端:支持 vllm(NVIDIA GPU)和 llama.cpp(CPU/Apple Silicon)。
交互式 Streamlit 应用:提供交互界面以测试图像和 PDF。
可定制设置:通过环境变量覆盖设置以进行微调。
商业许可:代码使用 Apache 2.0,模型权重使用修改后的 Open Rail-M。
托管平台访问:可在 Datalab 的托管平台上使用,提供免费积分。
数学/方程处理:在 HTML 中以 KaTeX 兼容的 LaTeX 格式识别和输出数学方程。
Surya OCR 2.5入门
安装 Surya OCR:使用 pip 安装 `surya-ocr` 包。
设置推理后端:配置 vllm(用于 NVIDIA GPU)或 llama.cpp(用于 CPU/Apple Silicon)作为推理服务器。
运行 OCR 命令:执行 OCR 命令,使用您的图像或 PDF 路径提取文本和边界框。
执行布局分析:使用布局命令检测文档结构和阅读顺序。
提取表格:利用表格识别命令将表格输出为 HTML。
处理文本行检测:运行文本行检测命令以识别单独的文本行。
通过 Python 集成:直接从 Python 脚本访问 Surya OCR 功能。
使用交互式应用:启动 Streamlit 应用以交互式测试 Surya 在图像或 PDF 文件上的表现。
Surya OCR 2.5的使用案例
- 文档数字化
- 数据提取
- 内容归档
- 多语言文档处理
- 布局理解
- 自动化表单处理
- 研究与学术
- 业务流程自动化








