最近，在GitHub上冲浪的时候，看到一个项目叫Surya。

说实话我第一反应是，又一个OCR工具。

OCR这东西大家都不陌生了，就是把图片里的文字识别出来嘛。这么多年下来，从最早的Tesseract到后来的各种商业方案，我们又不是没见过。

但是我往下翻了翻这个项目的README，Surya是一个650M参数的OCR模型。

然后我看到了一个 benchmark 叫 olmOCR-bench，这是现在OCR领域最权威的评测标准之一。

在这个榜单上，Surya得分是83.3% 。

大家知道排在前面的都是些什么怪物吗？

Infinity-Parser2-Pro，35.1B参数，得分87.6。Chandra OCR 2，5.3B参数，得分85.9。dots.mocr，3B参数，得分83.9。

而Surya，一个650M参数的小家伙，得分83.3。

我看到这里的时候真的愣了一下。参数差了5到50倍，但分数就差那么一点点。

Surya（音：苏-瑞-亚）这个词大家可能有点陌生，但是如果我告诉你这是印度神话里的太阳神，你应该就能get到了。

太阳神苏利耶在印度神话里有个很重要的能力，叫"普照万物，无所不见"。

我觉得开发者给这个项目起这个名字，可能就是想表达：不管是报纸、教科书、手写笔记、表格、公式，我都能给你看清楚。

说起来，项目里还真就展示了这几种文档类型的处理效果。新闻报纸、教材、手写笔记、税务表格，甚至还有数学公式（LaTeX格式），统统都能识别。

甚至连那种年代久远的扫描件，它也能处理。当然了，评测数据也诚实说了，老扫描件的得分只有41.8% ，不算高，但是能跑起来已经很不错了。

OCR工具处理PDF的速度一直是大家关心的问题。

Surya官方给出了详细的性能数据：在RTX 5090上（96 DPI输入条件下），吞吐量是每秒5.35页，一分钟能处理超过300页。对比Apple Silicon的表现，在Metal加速、并发8的情况下约为0.108页每秒。这个数字跟并发设置关系很大，调高并发配置可以进一步提升速度。

按照官方给出的测试数据，日常处理几十页的PDF通常只需要十几秒，这个速度对于个人使用来说确实很可观了。

现在市面上很多OCR工具，中文勉强能行，日文韩文就开始拉胯，小语种更是想都别想。

但是Surya在这块的表现则就夯了不少。

官方说，他们在91种语言上做了内部测试，综合通过率是87.2% 。

我摘几个大家熟悉的语言出来看看：英文92.3% ，法语89.3% ，德语89.7% ，日语86.2% ，中文82.5% ，阿拉伯语稍微低一点72.7% 。

91种语言，整体能维持在87%以上的通过率，这个覆盖度确实可以的了。

以后要是有人让你帮忙识别个日语文档、阿拉伯语合同什么的，扔给它就行了，不用再满世界找小语种OCR方案。

光说数字可能有点虚，我给大家拆解一下Surya具体能处理哪些任务。

第一个，文本检测。就是告诉你这张图里的文字都在什么位置，框出来。

第二个，文字识别。找到文字之后，把内容读出来。

第三个，布局分析。不只是读文字，它还能分清楚这是标题、这是正文、这是表格、这是图片说明。顺便把阅读顺序也排好。

第四个，表格识别。不只是识别表格，还能标出行和列的位置，把表格结构还原出来。

第五个，数学公式识别。Surya 2能把图片里的公式转成代码，而且是作为全页OCR的一部分统一输出的，公式会以<math>...</math>标签的形式嵌入HTML文本，LaTeX格式是KaTeX兼容的。这比很多需要单独调用OCR工具来处理公式的方案方便多了。

第六个，手写识别。手写笔记这种东西，普通的OCR基本抓瞎，但是Surya是可以处理的。当然了，手写体这东西识别难度本来就高，效果肯定不如印刷体，但是"有"这个功能本身就已经很有价值了。从官方展示的效果图来看，英文手写的识别效果看起来还可以，中文手写的话可能因为训练数据的缘故，还需要再观察观察效果。

用起来麻烦吗？

说实话，一开始看到它依赖vllm或者llama.cpp的时候，我心里是有点犯嘀咕的。以为又要折腾一堆环境配置。

但是看完文档之后发现，其实还好。

如果你有NVIDIA的显卡，它会自动用Docker启动vllm服务，你基本上不用管。

如果是Mac或者纯CPU环境，它会走llama.cpp那条路，brew install llama.cpp或者手动下载二进制文件都行。

安装就一行命令：pip install surya-ocr

使用也简单，命令行直接 surya_ocr 文件路径，完事儿。

它支持图片、PDF、文件夹，扔进去就行。也可以用Python调用，三五行代码就能跑起来。

最后说两句。

其实我之前对OCR这个领域关注不多，总觉得是个成熟市场，没什么新鲜的。

但是Surya让我意识到一个问题：大模型时代，很多事情的性价比正在被重新定义。

以前觉得只有几十B的大模型才能做好的事情，现在可能一个650M的模型就能做到七八成的水准。

这对于我们普通用户来说意味着什么？

意味着更低的硬件门槛，更快的处理速度，更少的成本。

以后，在笔记本上跑一个本地OCR工具，不再是痴人说梦。

AI这东西，真的越来越接地气了。

今天就聊到这儿。如果你对这个项目感兴趣，直接去GitHub搜surya-ocr就行，文档写得很清楚。

大家有什么问题欢迎留言，我们下次见。