datalab-to/surya

解决的问题

Surya 是一个高精度、多语言 OCR（光学字符识别）和文档智能工具。它解决了将包含表格、公式和复杂布局的复杂文档转换为结构化、机器可读的文本和 HTML 的问题，支持 91 种语言。

工作原理

Surya 使用一个 650M 参数的视觉语言模型（VLM）来执行布局分析、文本识别和表格识别。它可以通过推理管理器部署，该管理器会自动使用 vllm（适用于 NVIDIA GPU）或 llama.cpp（适用于 CPU 和 Apple Silicon）启动后端服务器。系统可以处理整页或特定文本块，将其转换为 HTML（包括支持 KaTeX 的 LaTeX 用于数学公式），并为每个元素提供精确的边界框。

适用人群

专为需要从 PDF、图像和扫描文档中提取结构化数据的开发者和研究人员设计，尤其适用于包含复杂格式的文档，如教科书、税务表格和企业文档。

主要亮点

• 多语言支持：在 91 种不同语言中均实现高精度。
• 文档智能：执行布局分析（标题、页脚、图注）和阅读顺序检测。
• 表格识别：提取表格结构（包括行和列），并可输出完整的 HTML 表格。
• 数学支持：识别内联公式，并以 KaTeX 兼容的 LaTeX 格式输出。
• 灵活的推理：支持 GPU（通过 vllm）和 CPU/Apple Silicon（通过 llama.cpp）后端。