Surya：90多种语言的OCR与版面模型

Surya 是一套支持 90 多种语言的 OCR 与文档理解模型，提供文字识别、版面分析、阅读顺序与表格识别，是 Marker 背后的视觉引擎。

做文档解析时，.detection（文字在哪）、.recognition（是什么字）、layout（什么区块）、reading order（按什么顺序读）、table（表格结构）这些能力往往分散在不同工具里。Surya 把它们整合成一套模型：一个统一的文档理解底座，支持 90 多种语言，既能单独调用，也是 Marker 等上层工具的底层依赖。仓库 datalab-to/surya 以 Python 为主、Apache-2.0 许可，2026 年仍在活跃更新，星标约 2.1 万（以 GitHub 为准），官网 https://www.datalab.to 。

信息卡

• 项目名称：Surya
• 编程语言：Python
• 开源许可证：Apache-2.0
• GitHub 地址：https://github.com/datalab-to/surya
• 官网或 Demo：https://www.datalab.to

核心能力

多语言 OCR。 覆盖 90 多种语言的文字识别，从常见中英文到小语种都有支持。相较只擅长个别语言的 OCR，Surya 在多语种混排、外语文档场景里更省心。识别模型针对文档场景优化，对印刷体与常见扫描质量表现稳定。

版面分析。 把页面切分成标题、正文、图、表、页眉页脚等区块，并给出各自类别。这一步是「理解文档结构」的基础——知道哪块是标题、哪块是图注，才能正确重组内容。版面分析对多栏、图文混排的复杂页面尤其关键。

阅读顺序还原。 光识别出文字还不够，按什么顺序拼起来决定了输出是否可读。Surya 预测元素的阅读顺序，让多栏排版、不规则布局的文档也能按人类习惯输出，避免上下乱跳。

表格结构识别。 识别表格的行列与单元格结构，包括一定的无框表格处理能力。表格是文档里信息密度最高、也最难解析的部分，把它转成结构数据，后续才算得清、查得准。这些能力可单独使用，也支撑上层的 Marker 完成 PDF 到 Markdown 的转换。

使用上手

1. 准备 Python 环境；按官网文档 pip install surya-ocr（有 GPU 会明显加速）。
2. 命令行试用：surya_ocr 图片目录 得到文字识别结果；用对应子命令跑版面、表格与阅读顺序。
3. Python 调用：分别加载检测/识别/版面/表格模型，按需组合成你的解析流程。
4. 处理多语言文档时指定或依赖自动语言检测，检查小语种识别质量。
5. 若要直接得到 Markdown，可用同团队的 Marker（底层即 Surya）；若要自建解析管线，直接基于 Surya 组装。

优点与不足

优势是语言覆盖广、把 OCR 与版面/顺序/表格整合一套、Apache-2.0 许可宽松、作为 Marker 底座经过实战检验。局限：模型推理对硬件（尤其 GPU）有依赖，纯 CPU 较慢；小语种或极端扫描质量下精度需实测；作为模型层，要直接得到整洁文档通常还需上层工具配合。星标以 GitHub 为准。

适合谁

适合需要多语言文档 OCR 的开发者；要自建文档解析/版面理解管线、不想被单一 SaaS 绑住的技术团队；以及 Marker 用户想深入理解或定制底层模型能力的进阶场景。

下载与访问

仓库 https://github.com/datalab-to/surya （Apache-2.0）；官网 https://www.datalab.to 。

许可证与部署

本文属于「项目」分类的 AI 资源专栏，更多评测见分类页。