رونمایی از مدل متن‌باز Surya 2.5؛ پردازش سریع‌تر و دقیق‌تر متون و جدول‌های اسناد

معرفی

مدل Surya 2.5 یک مدل متن‌باز نویسه‌خوان (OCR) و تحلیل چیدمان صفحه با ۶۸۹ میلیون پارامتر است که توسط Datalab در ۲۹ اکتبر ۲۰۲۶ منتشر شد. این مدل می‌تواند یک صفحه کامل را در یک مرحله پردازش کرده و متون، جدول‌های HTML، معادلات LaTeX و ترتیب صحیح خواندن بخش‌ها را استخراج کند. این نسخه در مقایسه با Surya 2 حدود ۱٫۷ برابر سریع‌تر است و در بنچمارک OmniParseBench امتیاز ۸۵٫۹ را کسب کرده که به‌گفته Datalab، بالاترین امتیاز در میان مدل‌های متن‌باز زیر یک میلیارد پارامتر به‌شمار می‌آید.

وبلاگ رسمی: Surya 2.5 · وزن‌های مدل: datalab-to/surya-ocr-2.5 · بسته نصبی: pip install surya-ocr

توضیحات

ویژگی‌ها و نکات کلیدی

1. سرعت پردازش: پردازش حدود ۴٫۵ صفحه در ثانیه روی یک پردازنده H100 با دقت ۱۹۲ DPI و ۳۲ درخواست هم‌زمان (در مقایسه با حدود ۲٫۷ صفحه در ثانیه برای ترکیب Surya 2 و MTP).
2. دقت بالا: کسب امتیاز ۸۵٫۹ در بنچمارک OmniParseBench با پیشرفت‌های محسوس در خواندن متن، جدول و چیدمان؛ امتیاز حدود ۸۳٫۷ در بنچمارک olmOCR-bench و کاهش خطای حلقه تکرار به حدود ۰٫۱ درصد (در برابر ۳٫۸ درصد در نسخه پیشین).
3. پشتیبانی از زبان‌های گوناگون: ارزیابی روی ۹۱ زبان مختلف، دایره واژگانی حدود ۸۸٫۵ هزار توکن (شامل ایموجی‌ها و نمادهای ریاضی فرمت‌داده‌شده) و کاهش ۲٫۶ برابری توکن‌های خروجی در هر صفحه.
4. مجوز استفاده: کدهای منبع تحت مجوز Apache 2.0 عرضه شده‌اند و وزن‌های مدل نیز بر اساس نسخه تغییریافته OpenRAIL-M برای اهداف پژوهشی، شخصی و استارتاپ‌هایی با درآمد کمتر از ۵ میلیون دلار در دسترس قرار دارند.
5. محدودیت‌ها: ارائه ساختار جدول‌ها صرفاً در قالب کدهای HTML (بدون کادربندی تفکیک‌شده برای سلول‌ها) و دشواری نسبی در خواندن برخی اسکن‌های قدیمی یا زبان‌های خاص.

چرا این دستاورد مهم است؟

عرضه هم‌زمان این مدل همراه با انتشار عمومی وزن‌ها روی پلتفرم Hugging Face نشان می‌دهد که خانواده مدل‌های Surya با سرعتی بالا در مسیر تبدیل شدن به یک استاندارد متن‌باز و کارآمد برای استخراج اطلاعات و درک خودکار اسناد گام برمی‌دارند.

نحوه استفاده

راهنمای اجرا و آزمایش

pip install surya-ocr   # نسخه 0.23.0 به بعد به‌طور پیش‌فرض از Surya 2.5 استفاده می‌کند
surya_ocr page.pdf --output_dir out
surya_layout page.pdf --output_dir out

1. روی پردازنده‌های NVIDIA سیستم مدیریتی به‌صورت خودکار فریم‌ورک vLLM را از طریق Docker اجرا می‌کند؛ روی پردازنده‌های Apple Silicon نیز می‌توانید از llama.cpp و شتاب‌دهنده Metal بهره ببرید.
2. اگر به‌دقت بالاتری نیاز دارید و نمی‌خواهید مدل را روی سرور شخصی اجرا کنید، می‌توانید از رابط نرم‌افزاری (API) شرکت Datalab برای دسترسی به مدل Chandra 2.5 استفاده نمایید.
3. وزن‌های مدل در قالب GGUF در آدرس datalab-to/surya-ocr-2.5-gguf در دسترس هستند.

چنانچه در پردازش جدول‌ها به مختصات دقیق کادرهای سلول (Bounding Boxes) نیاز دارید، وظیفه ساختار جدول در نسخه Surya 2 را حفظ کنید.