datalab-to/surya

解決的問題

Surya 是一個高精度、多語言 OCR（光學字元辨識）與文件智慧工具。它解決了將包含表格、公式與多樣化版面的複雜文件，轉換為結構化、機器可讀的文本與 HTML 的問題，支援 91 種語言。

工作原理

Surya 使用 650M 參數的視覺語言模型（VLM）執行版面分析、文字辨識與表格辨識。可透過推理管理器部署，該管理器會自動使用 vllm（適用於 NVIDIA GPU）或 llama.cpp（適用於 CPU 與 Apple Silicon）啟動後端伺服器。系統可處理整頁或特定文字區塊，轉換為 HTML（包含支援 KaTeX 的 LaTeX 用於數學公式），並為每個元素提供精確的邊界框。

適用對象

專為需要從 PDF、影像與掃描文件中提取結構化資料的開發者與研究人員設計，特別適用於包含複雜格式的文件，如教科書、稅務申報表與企業文件。

主要特色

• 多語言支援：在 91 種不同語言中皆具高準確度。
• 文件智慧：執行版面分析（標題、頁尾、圖說）與閱讀順序偵測。
• 表格辨識：提取表格結構（包含列與行），並可輸出完整的 HTML 表格。
• 數學支援：辨識內嵌公式，並以 KaTeX 相容的 LaTeX 格式輸出。
• 彈性推理：支援 GPU（透過 vllm）與 CPU/Apple Silicon（透過 llama.cpp）後端。