‏تست Surya OCR 2.5 روی سیستم شخصی

Surya OCR 2.5 یه vision language model متن‌باز (یعنی مدلی که هم تصویر رو می‌فهمه هم متن) از شرکت Datalab هست. این مدل اسناد اسکن‌شده رو می‌خونه و خروجی ساختاریافته می‌ده: متن، بخش‌های layout صفحه، ترتیب خوندن و جدول‌ها به صورت HTML. معماریش شبیه Qwen3.5 هست و روی Hugging Face با اسم datalab-to/surya-ocr-2.5 در دسترسه. تو این مقاله از MindStudio، مدل روی چند نوع سند واقعی تست شده.

نصبش ساده‌ست: دو تا دستور pip و بعد اجرای یه رابط گرافیکی که با Streamlit ساخته شده. تو تست حدود ۱۸۰۰ مگابایت VRAM مصرف کرد و روی CPU بدون GPU هم مشکلی نداشت. زمان پردازش هر سند بیشتر وقت‌ها زیر ۱۰ ثانیه بود و برای صفحه‌های سخت‌تر به ۱۰ تا ۱۵ ثانیه می‌رسید. یعنی می‌شه OCR رو بدون GPU یا API ابری تو یه pipeline محلی گذاشت.

برای هر سند سه تا خروجی موازی می‌ده: HTML، Markdown و یه JSON در سطح block که مختصات و ترتیب خوندن هر بخش رو داره. به گفتهٔ نویسنده این بخش مهم‌تر از چیزیه که به نظر میاد، چون برای کارهایی مثل استخراج داده یا پر کردن فرم، فقط متن درست کافی نیست و باید بدونی هر تیکه کجای صفحه‌ست. یه مدل کوچیک جدا هم برای تشخیص خط‌های متن داره.

روی اسناد چاپی تمیز نتیجه خوب بود. یه فاکتور انگلیسی با دو جدول تقریباً درست خونده شد و فقط یه غلط تایپی داشت. تیتر یه روزنامهٔ مال سال ۱۸۸۳ هم با وجود اسکن کم‌کیفیت درست دراومد. یه صفحهٔ هندی قدیمی تمیز خونده شد و حتی یه متن Yoruba، که جزو زبان‌های پشتیبانی‌شده نیست، تقریباً درست بود. طبق نمودار خود مدل، Surya جزو مدل‌های کوچیکه ولی از بیشتر مدل‌های هم‌اندازه و حتی بعضی مدل‌های بزرگ‌تر دقیق‌تره.

ضعف‌ها بیشتر تو سه جا بود: دست‌خط، متن ریز و خط‌های تزئینی. فیلدهای دست‌نویس یه سند لهستانی کاملاً به‌هم‌ریخته خونده شدن و تو هر سه خروجی همین خطا تکرار شد. تو یه نامهٔ فرانسوی، متن مُهر اشتباه خونده شد و یه حرف چینی بی‌دلیل وسط خروجی اومد. تو متن ریز روزنامه «November» شد «Movember». عنوان یه جلد کتاب اردو با خط نستعلیق بد خونده شد و تو شعر عربی، خط‌های جدا به هم چسبیدن.

یه مشکل مهم دیگه تو فاکتور این بود که دو تا جدول جدا (بخش توضیحات و جمع مبالغ) رو یکی کرد. نویسنده می‌گه این‌جور خطا می‌تونه بی‌صدا داده‌های بعدی رو خراب کنه. پیشنهاد مقاله اینه که از Surya برای پردازش انبوه اسناد چاپی تمیز استفاده کنی، ولی برای دست‌خط، متن تزئینی یا اسکن بی‌کیفیت حتماً یه مرحلهٔ بررسی انسانی بذاری.

نکات کلیدی:

• Surya OCR 2.5 متن‌باز، از Datalab و روی Hugging Face به اسم datalab-to/surya-ocr-2.5 هست.
• حدود ۱۸۰۰ مگابایت VRAM مصرف می‌کنه و روی CPU هم اجرا می‌شه.
• خروجی رو هم‌زمان به صورت HTML، Markdown و JSON با مختصات و ترتیب خوندن می‌ده.
• زمان پردازش هر سند معمولاً زیر ۱۰ ثانیه‌ست.
• با دست‌خط، متن ریز و خط نستعلیق خطاهای جدی داره و دو جدول جدا رو ممکنه یکی کنه.