Surya OCR 2
Datalab 的 650M OCR 模型:支持 91 种语言的文字、版面、阅读顺序和表格。研究和营收低于 500 万美元的组织可免费使用。
一句话概括. Surya OCR 2 能读取扫描件和 PDF,找出每个区块的版面和阅读顺序,还原表格和公式,全靠一个约 6.5 亿参数的小模型。它的下载量很大,但权重只对研究、个人使用和营收低于 500 万美元的组织免费。
概述
Datalab 于 2026 年 5 月 27 日发布 Surya OCR 2,这是对 Surya 工具包的彻底重写。一个视觉语言模型(配置里使用 Qwen3.5 架构)现在同时完成整页 OCR、带阅读顺序的版面分析和表格识别,而早期的 Surya 版本使用的是多个独立模型。Datalab 称它是 650M 模型,检查点实际约有 6.86 亿参数,BF16 文件 1.4 GB。它把每个区块输出为 HTML,公式放在兼容 KaTeX 的标签里,用 18 种版面类型给区块打标签,比如表格、页眉、公式和图片,对表格返回行、列和单元格,可选模式还能给出处理合并单元格的完整 HTML。文本行检测仍然是单独的小型 PyTorch 模型。
Datalab 报告在 olmOCR-bench 上得 83.3%,称这是 3B 参数以下的最好成绩。它的表格里,Surya OCR 2 略低于 dots.mocr(3.0B,83.9),高于 LightOnOCR 2-1B(83.2,评测方法不同),明显低于 Datalab 自己的 Chandra OCR 2(85.9)。分项成绩显示了它的弱点:基础测试 99.7,但旧扫描件只有 41.8。在 Datalab 内部的 91 种语言测试中总体得 87.2%,有 38 种语言达到 90% 以上:英语 92.3%,韩语 86.7%,日语 86.2%,中文 82.5%,越南语 73.2%,阿拉伯语 72.7%。这些数字都是 Datalab 自己的。在一块 RTX 5090 上用 vLLM、128 并发时吞吐量是每秒 5.35 页,在 Apple Silicon 上用 llama.cpp 约为每秒 0.11 页。
版面、OCR 和表格需要推理后端:NVIDIA GPU 上用 vLLM(Datalab 的发布说明建议搭配 Docker 和 NVIDIA Container Toolkit),CPU 或 Apple Silicon 上用 llama.cpp。Datalab 称模型面向文档,照片和自然场景不是它的目标。代码采用 Apache 2.0,但权重采用修改版 Open RAIL-M 许可证:研究、个人使用,以及营收低于 500 万美元且累计融资低于 500 万美元的组织可以免费使用,禁止与 Datalab 竞争,衍生作品和输出需要相同方式共享。在截至 2026 年 11 月 11 日的 30 天里,Hugging Face 统计到约 94.1 万次下载,这个数字可能包含自动拉取。
适合做什么
- 用一个 1.4 GB 的模型快速、低成本地完成带版面、阅读顺序和表格的 OCR
- 没有大显卡的机器,因为 llama.cpp 能在 CPU 或 Apple Silicon 上运行它
- 需要多种语言的场景,有 91 种语言的分项成绩可对照你的语言
- 研究、个人项目,以及营收和融资都低于 500 万美元的组织
需要注意
- 权重只对研究、个人使用以及营收和融资都低于 500 万美元的组织免费,禁止竞争性产品,输出需相同方式共享
- 所有基准数字都是 Datalab 自己的,olmOCR-bench 上 83.3% 的总分里,旧扫描件一项只有 41.8
- 需要 vLLM 或 llama.cpp 后端,v2 的 API 和输出格式与 Surya 1 不兼容
- 它面向文档,不适合照片或自然场景,Datalab 更准确的选择是 Chandra OCR 2
性能数据来自开发方,未经独立验证。
需要多少内存?
以下为 Surya OCR 2 版本的估算。混合专家模型虽然每个 token 只用到部分专家,但所有专家都必须装进内存:总参数量决定所需内存,激活参数量决定速度。
| 版本 | 参数量 | BF16 | FP8 / INT8 | 4-bit (Q4) | 可运行于 |
|---|---|---|---|---|---|
| Surya OCR 2 BF16 | 690M | 1.59 GB | 0.793 GB | 0.476 GB | 笔记本或手机 |
估算方法:权重大小加约 15% 的运行开销。实际占用会随上下文长度增长,也取决于所用的软件。
许可证,用大白话说
与 Datalab 的 Chandra 模型相同的修改版 Open RAIL-M 许可证,只是限额更高。研究和个人使用免费;商用仅限上一年营收低于 500 万美元、累计融资也低于 500 万美元的组织。它还禁止用模型与 Datalab 竞争,并要求衍生作品和输出沿用同一许可证。
- 需要署名或标明模型名称
- 仅在营收低于上限时可免费商用
- 须遵守可接受使用政策
进一步了解 OpenRAIL-M (Datalab Surya)
延伸阅读
常见问题
- Surya OCR 2 是什么?
- Surya OCR 2 能读取扫描件和 PDF,找出每个区块的版面和阅读顺序,还原表格和公式,全靠一个约 6.5 亿参数的小模型。它的下载量很大,但权重只对研究、个人使用和营收低于 500 万美元的组织免费。
- Surya OCR 2 可以商用吗?
- 可以,但有条件。Surya OCR 2 采用 OpenRAIL-M (Datalab Surya) 发布,允许商用,但附带额外规则:需要署名或标明模型名称; 仅在营收低于上限时可免费商用; 须遵守可接受使用政策。产品上线前请阅读许可证原文。
- Surya OCR 2 是开源的吗?
- Surya OCR 2 是开放权重模型,但不是严格意义上的开源。你可以下载模型文件,但 OpenRAIL-M (Datalab Surya) 附带了开源促进会的定义所不允许的条件。
- 我能在自己的电脑上运行 Surya OCR 2 吗?
- 可以。最小版本 Surya OCR 2 在 4 位精度下约需 0.476 GB 内存,现代笔记本或中端显卡即可胜任。
- Surya OCR 2 是什么时候发布的?
- Surya OCR 2 由 Datalab 于 2026年5月27日 发布。
- Surya OCR 2 的上下文窗口有多长?
- Surya OCR 2 支持最长 256K token 的上下文窗口。
官方链接
来源
规格数据来自以下一手资料。文中提到的基准测试结果由开发方自报。
- Announcing Surya OCR 2: small, accurate, multilingual (Datalab, 27 May 2026) datalab.to
- Surya OCR 2 model card, benchmarks and usage (Hugging Face) huggingface.co
- Surya 2 (v0.20.0) release notes, with the breaking changes from v1 (GitHub) github.com
- Surya OCR 2 license, modified Open RAIL-M (Hugging Face) huggingface.co
发布时间等信息最近核实于 2026年11月11日。
相关模型
| 模型 | 发布时间 | 参数量 | 上下文 | 许可证 | 最小版本所需内存 |
|---|---|---|---|---|---|
| Chandra OCR 2 Datalab | 5.3B | 256K | OpenRAIL-M (Datalab) (附条件) | 3.66 GB 笔记本或手机 | |
| LightOnOCR-3 LightOn | 853M – 4.54B | 256K | Apache 2.0 (宽松) | 0.589 GB 笔记本或手机 | |
| GLM-OCR Z.ai (Zhipu AI) | 900M | – | MIT (宽松) | 0.621 GB 笔记本或手机 | |
| PaddleOCR-VL Baidu | 960M | – | Apache 2.0 (宽松) | 0.662 GB 笔记本或手机 |