Was ist Surya OCR 2.5?
Surya OCR 2.5 ist ein Vision-Language-Modell mit 689 Millionen Parametern von Datalab, der Firma hinter dem PDF-Konverter Marker, veröffentlicht am 29. Oktober 2026 mit Version 0.23.0 des Pakets surya-ocr. Ein Modell übernimmt Layout-Analyse mit Lesereihenfolge, ganzseitige OCR, Tabellen als HTML mit verbundenen Zellen und Inline-Mathematik als LaTeX. Die Textzeilen-Erkennung ist ein separates kleines Modell.
Es läuft über das Paket surya-ocr, das auf NVIDIA-GPUs einen vLLM-Server startet oder auf CPUs und Apple Silicon llama.cpp, mit einem experimentellen MLX-Backend. Marker 2.1.0 nutzt es standardmäßig. Eine Funktion von Surya 2 fällt weg: die Geometrie von Tabellenzeilen und -spalten.
Der Code steht unter Apache 2.0. Die Gewichte stehen unter einer modifizierten OpenRAIL-M-Lizenz: kostenlos für Forschung, private Nutzung und Unternehmen unter 5 Mio. $ bei Umsatz und Finanzierung; darüber ist eine kostenpflichtige Lizenz nötig, Preis auf Anfrage.
Was kostet Surya OCR 2.5?
| Tarif | Preis | Was enthalten ist |
|---|---|---|
| Weights | Free under $5M | Modifizierte OpenRAIL-M; kostenpflichtige Lizenz oberhalb der Schwelle |
| Datalab Convert API | $4 per 1,000 pages | Modus fast oder balanced; accurate 10 $ |
| Team | $400/month | Enthält 400 $ Nutzung |
Gewichte kostenlos für Forschung, private Nutzung und Unternehmen unter 5 Mio. $ Umsatz und Finanzierung; darüber kostenpflichtige Lizenz (Preis nicht veröffentlicht). Datalab-API: Convert 4 $ pro 1.000 Seiten fast/balanced, 10 $ accurate; Team-Plan 400 $/Monat.
Lohnt sich Surya OCR 2.5?
Surya 2.5 ist eher ein Geschwindigkeits-Upgrade als ein Sprung bei der Genauigkeit, und bei dieser Größe zählt Geschwindigkeit. Datalab misst 4,52 Seiten pro Sekunde auf einer H100 bei 192 DPI, gegenüber 2,72 für Surya 2 mit Multi-Token-Prediction, weil es etwa 1.514 Tokens pro Seite schreibt statt 3.917. Looping, der Fehler, bei dem eine Seite bis ans Token-Limit läuft, sinkt von 3,8 % der Anfragen auf 0,1 %.
Die Genauigkeitsgewinne sind bescheiden und größtenteils selbst gemeldet. Auf Datalabs eigenem OmniParseBench erreicht es 85,9 gegenüber 83,3 für Surya 2, mit veröffentlichtem Bootstrap-Intervall; auf Ai2s olmOCR-bench steigt es von 82,8 auf 83,7. Der erste externe Test, die BHL-OCR-Evaluation, setzte es mit einer Zeichenfehlerrate von 0,0432 auf Platz 12 von 26, gleichauf mit olmOCR-2. Für 689M Parameter ist das respektabel, aber kein neuer Spitzenreiter.
Bei Mehrsprachigkeit ist das Bild gemischt. Datalabs internes Set mit 91 Sprachen ergibt insgesamt 74,9 %, kaum über 74,5 %; Chinesisch, Deutsch und Vietnamesisch legten zu, während Englisch von 94,3 % auf 90,3 % fiel, Russisch von 77,8 % auf 71,7 % und Bengalisch von 61,6 % auf 55,3 %. Teams mit russischen oder südasiatischen Dokumenten sollten vor dem Upgrade neu testen. Die Tabellengeometrie ist weg: surya_table --mode simple liefert einen Fehler, Pipelines, die Zellkoordinaten brauchen, müssen also bei Surya 2 bleiben.
Die Lizenz ist die eigentliche Einschränkung. Die kostenlose Nutzung endet bei 5 Mio. $ Umsatz oder Finanzierung, eine niedrigere Grenze, als es für ein finanziertes Startup klingt, und der Preis der Bezahllizenz ist nicht veröffentlicht. PaddleOCR-VL und DeepSeek-OCR 2 stehen unter Apache 2.0; Suryas Vorteil ihnen gegenüber ist die Paketierung, ein pip install, das seinen eigenen Server startet und strukturierte Blöcke mit Labels, Polygonen und Konfidenzwerten liefert.
Wo es sich lohnt
Ein ML Engineer bei einem Legal-Tech-Startup in der Seed-Phase
Monatlich 500.000 gescannte Vertragsseiten in strukturiertes HTML umwandeln
Bei Datalabs 4,52 Seiten pro Sekunde schafft eine H100 das in etwa 31 Stunden GPU-Zeit. Das Unternehmen liegt unter der Schwelle von 5 Mio. $, die Gewichte sind also kostenlos; sobald es darüber hinaus Kapital aufnimmt, muss es eine Lizenz einplanen.
Ein Forscher, der die Zeitschriften einer Universitätsbibliothek digitalisiert
Text, Mathematik und Lesereihenfolge aus alten wissenschaftlichen Artikeln extrahieren
Gleichungen kommen als KaTeX-kompatibles LaTeX im HTML zurück, und die Erfolgsquote bei alten Scans auf olmOCR-bench liegt nur bei 44,3 %, stark beschädigte Seiten brauchen also weiterhin ein größeres Modell oder manuelle Prüfung.
Eine Operations-Leiterin in einer Steuerkanzlei mit 40 Mitarbeitenden
Kunden-PDFs verarbeiten, ohne GPUs zu betreiben
Datalabs gehostete Convert-API berechnet 4 $ pro 1.000 Seiten im Modus fast oder balanced, 20.000 Seiten im Monat kosten also etwa 80 $; die Preisseite sagt nicht, welche Modi Surya und welche Chandra nutzen.
Bevor du dich festlegst
- Einrichtung
- pip install surya-ocr, dann surya_ocr auf ein Bild, ein PDF oder einen Ordner; es startet vLLM in Docker auf NVIDIA-GPUs oder llama-server auf CPU und Apple Silicon. Mit --keep_server vermeidest du das Neuladen bei jedem Befehl.
- Integrationen
- Marker 2.1.0 nutzt es standardmäßig; vLLM, llama.cpp (GGUF veröffentlicht), experimentell MLX; der OpenAI-kompatible Server lässt sich teilen; Streamlit-Demo-App.
- Daten und Datenschutz
- Code Apache 2.0; Gewichte modifizierte OpenRAIL-M, kostenlos für Forschung, private Nutzung und Unternehmen unter 5 Mio. $ Umsatz und Finanzierung. Selbst gehostete Läufe senden nichts an Datalab.
- Kosten im großen Maßstab
- Etwa 16.000 Seiten pro Stunde auf einer H100 bei 192 DPI, bei 96 DPI etwa 22.000. Auf einem M4 Max 0,19 Seiten pro Sekunde. Gehostet: 4 $ pro 1.000 Seiten fast, 10 $ accurate.
- Grenzen
- Nur Dokumente, keine Fotos oder Szenen; keine Tabellengeometrie; der vLLM-Kontext muss ein Bild von etwa 8.000 Tokens plus ein Seitenbudget von 12.288 Tokens fassen; surya-ocr und vLLM kollidieren in einer gemeinsamen Python-Umgebung.
Was gut ist
- 4,52 Seiten pro Sekunde auf einer H100 bei 192 DPI, 1,7-mal Surya 2
- Layout, Lesereihenfolge, OCR, HTML-Tabellen und LaTeX-Mathematik aus einem 689M-Modell
- Läuft über llama.cpp auf CPU und Apple Silicon, Q8 unter 4,3GB RSS
- Looping von 3,8 % auf 0,1 % der Seiten gesenkt
Was nicht
- Gewichte nur unter 5 Mio. $ Umsatz und Finanzierung kostenlos; Preis der Bezahllizenz nicht veröffentlicht
- Keine Geometrie für Tabellenzeilen und -spalten; dafür bleibt Surya 2 nötig
- Englisch, Russisch und Bengalisch schnitten in Datalabs Mehrsprachen-Set schlechter ab
- Unabhängig nur Platz 12 von 26 im BHL-OCR-Ranking
Am besten für
Kleine Teams und Forschende, die schnelles, selbst gehostetes Dokument-Parsing mit Layout und Tabellen brauchen und deren Unternehmen unter der Lizenzschwelle liegt.
Alternativen zu Surya OCR 2.5
Surya OCR 2.5: häufige Fragen
- Lohnt sich Surya OCR 2.5?
- Surya 2.5 macht ein Modell unter 1B zu einem glaubwürdigen vollständigen Dokumentparser mit etwa 16.000 Seiten pro Stunde auf einer H100, aber zuerst solltest du die Lizenz der Gewichte lesen. Wir bewerten es mit 4.0 von 5.
- Was kostet Surya OCR 2.5?
- Gewichte kostenlos für Forschung, private Nutzung und Unternehmen unter 5 Mio. $ Umsatz und Finanzierung; darüber kostenpflichtige Lizenz (Preis nicht veröffentlicht). Datalab-API: Convert 4 $ pro 1.000 Seiten fast/balanced, 10 $ accurate; Team-Plan 400 $/Monat.
- Welche Nachteile hat Surya OCR 2.5?
- Gewichte nur unter 5 Mio. $ Umsatz und Finanzierung kostenlos; Preis der Bezahllizenz nicht veröffentlicht; Keine Geometrie für Tabellenzeilen und -spalten; dafür bleibt Surya 2 nötig; Englisch, Russisch und Bengalisch schnitten in Datalabs Mehrsprachen-Set schlechter ab; Unabhängig nur Platz 12 von 26 im BHL-OCR-Ranking.
- Für wen eignet sich Surya OCR 2.5?
- Kleine Teams und Forschende, die schnelles, selbst gehostetes Dokument-Parsing mit Layout und Tabellen brauchen und deren Unternehmen unter der Lizenzschwelle liegt.
- Was kostet Surya OCR 2.5 für ein Team oder im Produktivbetrieb?
- Etwa 16.000 Seiten pro Stunde auf einer H100 bei 192 DPI, bei 96 DPI etwa 22.000. Auf einem M4 Max 0,19 Seiten pro Sekunde. Gehostet: 4 $ pro 1.000 Seiten fast, 10 $ accurate.
- Ist Surya OCR 2.5 sicher für Firmendaten?
- Code Apache 2.0; Gewichte modifizierte OpenRAIL-M, kostenlos für Forschung, private Nutzung und Unternehmen unter 5 Mio. $ Umsatz und Finanzierung. Selbst gehostete Läufe senden nichts an Datalab.
- Was sind die besten Alternativen zu Surya OCR 2.5?
- Die nächsten Alternativen, die wir getestet haben, sind PaddleOCR-VL-1.6 und DeepSeek-OCR 2.
Antworten geprüft am 31. Okt. 2026.