Surya

项目简介

Surya 是 Datalab 推出的 689M 参数 OCR 模型，用于文档智能中的文本识别、版面分析、阅读顺序与表格识别，支持 90 多种语言，适用于多种文档类型。

核心功能

• 689M 参数 OCR 模型，支持文本识别与行级文本检测；提供表格、图像、页眉等版面元素分析，并给出阅读顺序；表格以 HTML 输出，合并单元格以 colspan 与 rowspan 表示；支持多语言，在 91 种语言的内部基准集上得分 74.9%；在单张 H100、192 DPI 下吞吐量为 4.5 页/秒，采用 MTP 时较 Surya 2 提升 1.7 倍。

适用场景

• 将图片、PDF 或图片与 PDF 文件夹中的文档 OCR 为带检测文本和边界框的 JSON；对报纸、表单、学术论文等复杂页面进行版面分析与阅读顺序提取；对含合并单元格的文档进行表格识别并输出 HTML 表格；处理 90 多种语言的多语言文档。

快速开始

• 使用 pip install surya-ocr 安装；NVIDIA GPU 推理需安装 Docker 与 NVIDIA Container Toolkit，CPU 或 Apple Silicon 需安装 llama.cpp 的 llama-server；运行 surya_ocr DATA_PATH 可将图片、PDF 或图片与 PDF 文件夹中的检测文本和边界框写入 JSON；可选安装 streamlit 与 pdftext 后运行 surya_gui 启动交互式应用。

部署与要求

• NVIDIA GPU 推理需要 Docker 与 NVIDIA Container Toolkit；CPU 或 Apple Silicon 推理需要 llama.cpp 的 llama-server 二进制；Surya 首次使用时会自动启动推理服务器，也可通过 SURYA_INFERENCE_URL 指向已有服务器。

采用前须知

• 许可证：Apache-2.0。在使用、修改或分发项目前，请确认其具体条款。