Datalab 推出Surya 2.5：0.7B级轻量化OCR，支持表格HTML还原、数学公式，1B以下基准第一

Datalab 推出 Surya 2.5，一款仅689M参数的开源文档OCR模型，主打轻量化下的强版面理解能力，是当前1B参数以内梯队里性能领先的文档智能模型。

• 模型：https://huggingface.co/datalab-to/surya-ocr-2.5

核心能力

• 输出保留原版式结构的文本，复杂跨行跨列表格直接输出HTML，自动识别合并单元格，生成 colspan / rowspan；数学公式无需后置处理还原
• 内置布局分析：识别标题、段落、图片、表格，自动判定正确阅读顺序
• 支持91种语言，内部多语言基准得分74.9%
• 配套更小的专用模型，用于单行文本检测、OCR错误校验

评测与性能

• OmniParseBench：85.9；olmOCR-bench：83.7%，同参数区间开放模型第一
• 推理速度：H100、192DPI下吞吐量 4.5页/秒，相比Surya 2（带MTP）提速1.7倍
• 限制提示：表格行列几何信息依赖Surya 2权重

适用场景

扫描文档、PDF版面解析、论文公式识别、带合并单元格的复杂表格提取，适合本地部署做文档解析、知识库素材预处理。