Qu’est-ce que Surya OCR 2.5 ?
Surya OCR 2.5 est un modèle vision-langage de 689 millions de paramètres de Datalab, l'éditeur du convertisseur PDF Marker, publié le 29 octobre 2026 avec la version 0.23.0 du paquet surya-ocr. Un seul modèle gère l'analyse de mise en page avec ordre de lecture, l'OCR de page entière, les tableaux en HTML avec cellules fusionnées et les maths en ligne en LaTeX. La détection des lignes de texte est un petit modèle séparé.
Il s'exécute via le paquet surya-ocr, qui lance un serveur vLLM sur GPU NVIDIA ou llama.cpp sur CPU et Apple Silicon, avec un backend MLX expérimental. Marker 2.1.0 l'utilise par défaut. Il abandonne une fonction de Surya 2 : la géométrie des lignes et colonnes de tableau.
Le code est sous Apache 2.0. Les poids sont sous une licence OpenRAIL-M modifiée : gratuits pour la recherche, l'usage personnel et les entreprises sous 5 M$ à la fois de chiffre d'affaires et de financement ; au-delà, une licence payante est nécessaire, prix sur demande.
Combien coûte Surya OCR 2.5 ?
| Offre | Prix | Ce qui est inclus |
|---|---|---|
| Weights | Free under $5M | OpenRAIL-M modifiée ; licence payante au-delà du seuil |
| Datalab Convert API | $4 per 1,000 pages | Mode fast ou balanced ; accurate 10 $ |
| Team | $400/month | Inclut 400 $ d'usage |
Poids gratuits pour la recherche, l'usage personnel et les entreprises sous 5 M$ de chiffre d'affaires et de financement ; licence payante au-delà (prix non publié). API Datalab : Convert 4 $ les 1 000 pages en fast/balanced, 10 $ en accurate ; offre Team 400 $ par mois.
Surya OCR 2.5 vaut-il le coup ?
Surya 2.5 est davantage un gain de vitesse qu'un bond de précision, et à cette taille, c'est la vitesse qui compte. Datalab mesure 4,52 pages par seconde sur une H100 à 192 DPI, contre 2,72 pour Surya 2 avec prédiction multi-tokens, parce qu'il écrit environ 1 514 tokens par page au lieu de 3 917. Les boucles, ce défaut où une page tourne jusqu'au plafond de tokens, passent de 3,8 % des requêtes à 0,1 %.
Les gains de précision sont modestes et surtout déclarés par l'éditeur. Sur l'OmniParseBench de Datalab, il obtient 85,9 contre 83,3 pour Surya 2, avec un intervalle bootstrap publié ; sur l'olmOCR-bench d'Ai2, il passe de 82,8 à 83,7. Le premier contrôle extérieur, l'évaluation BHL OCR, l'a classé 12e sur 26 avec un taux d'erreur par caractère de 0,0432, à égalité avec olmOCR-2. C'est honorable pour 689M de paramètres, pas un nouveau leader.
Le bilan multilingue est contrasté. Le jeu interne de 91 langues de Datalab donne 74,9 % au total, à peine plus que 74,5 % ; le chinois, l'allemand et le vietnamien progressent, tandis que l'anglais recule de 94,3 % à 90,3 %, le russe de 77,8 % à 71,7 % et le bengali de 61,6 % à 55,3 %. Les équipes qui traitent des documents en russe ou en langues d'Asie du Sud devraient retester avant de mettre à jour. La géométrie des tableaux a disparu : surya_table --mode simple renvoie une erreur, donc les pipelines qui ont besoin des coordonnées de cellules doivent rester sur Surya 2.
La licence est la vraie contrainte. L'usage gratuit s'arrête à 5 M$ de chiffre d'affaires ou de financement, un plafond plus bas qu'il n'y paraît pour une startup financée, et le prix de la licence payante n'est pas publié. PaddleOCR-VL et DeepSeek-OCR 2 sont sous Apache 2.0 ; l'avantage de Surya sur eux tient à son empaquetage, un pip install qui lance son propre serveur et renvoie des blocs structurés avec étiquettes, polygones et scores de confiance.
Là où il fait la différence
Un ingénieur ML dans une startup legal tech en phase d'amorçage
Transformer 500 000 pages de contrats numérisés par mois en HTML structuré
Aux 4,52 pages par seconde mesurées par Datalab, une H100 en vient à bout en environ 31 heures de GPU. L'entreprise est sous le seuil de 5 M$, les poids sont donc gratuits ; elle devra prévoir une licence dès qu'elle lèvera au-delà.
Un chercheur qui numérise les revues d'une bibliothèque universitaire
Extraire le texte, les maths et l'ordre de lecture d'anciens articles scientifiques
Les équations ressortent en LaTeX compatible KaTeX dans le HTML, et le taux de réussite sur les anciens scans dans olmOCR-bench n'est que de 44,3 %, donc les pages très dégradées demandent encore un modèle plus gros ou une relecture manuelle.
Une responsable des opérations dans un cabinet comptable de 40 personnes
Traiter les PDF des clients sans gérer de GPU
L'API hébergée Convert de Datalab facture 4 $ les 1 000 pages en mode fast ou balanced, soit environ 80 $ pour 20 000 pages par mois ; sa page de tarifs ne précise pas quels modes utilisent Surya et lesquels utilisent Chandra.
Avant de vous engager
- Mise en route
- pip install surya-ocr, puis surya_ocr sur une image, un PDF ou un dossier ; il lance vLLM dans Docker sur GPU NVIDIA ou llama-server sur CPU et Apple Silicon. Utilisez --keep_server pour éviter un rechargement à chaque commande.
- Intégrations
- Marker 2.1.0 l'utilise par défaut ; vLLM, llama.cpp (GGUF publié), MLX expérimental ; le serveur compatible OpenAI peut être partagé ; application de démonstration Streamlit.
- Données et confidentialité
- Code sous Apache 2.0 ; poids sous OpenRAIL-M modifiée, gratuits pour la recherche, l'usage personnel et les entreprises sous 5 M$ de chiffre d'affaires et de financement. Les exécutions auto-hébergées n'envoient rien à Datalab.
- Coût à grande échelle
- Environ 16 000 pages par heure sur une H100 à 192 DPI, jusqu'à environ 22 000 à 96 DPI. Sur un M4 Max, 0,19 page par seconde. En hébergé : 4 $ les 1 000 pages en fast, 10 $ en accurate.
- Limites
- Documents uniquement, pas de photos ni de scènes ; pas de géométrie de tableau ; le contexte vLLM doit contenir une image d'environ 8 000 tokens plus un budget de page de 12 288 tokens ; surya-ocr et vLLM entrent en conflit dans un même environnement Python.
Les points forts
- 4,52 pages par seconde sur une H100 à 192 DPI, 1,7 fois Surya 2
- Mise en page, ordre de lecture, OCR, tableaux HTML et maths LaTeX avec un seul modèle de 689M
- Tourne sur CPU et Apple Silicon via llama.cpp, Q8 sous 4,3GB de RSS
- Boucles ramenées de 3,8 % à 0,1 % des pages
Les points faibles
- Poids gratuits seulement sous 5 M$ de chiffre d'affaires et de financement ; prix payant non publié
- Pas de géométrie des lignes et colonnes de tableau ; Surya 2 reste nécessaire pour cela
- Scores en anglais, russe et bengali en baisse sur le jeu multilingue de Datalab
- Classé 12e sur 26 dans le classement indépendant BHL OCR
Idéal pour
Les petites équipes et les chercheurs qui ont besoin d'une analyse de documents auto-hébergée et rapide, avec mise en page et tableaux, et dont l'entreprise reste sous le seuil de la licence.
Alternatives à Surya OCR 2.5
Surya OCR 2.5 : questions fréquentes
- Surya OCR 2.5 vaut-il le coup ?
- Surya 2.5 fait d'un modèle de moins de 1B un analyseur de documents complet et crédible, à environ 16 000 pages par heure sur une H100, mais c'est la licence de ses poids qu'il faut lire en premier. Nous lui donnons 4.0 sur 5.
- Combien coûte Surya OCR 2.5 ?
- Poids gratuits pour la recherche, l'usage personnel et les entreprises sous 5 M$ de chiffre d'affaires et de financement ; licence payante au-delà (prix non publié). API Datalab : Convert 4 $ les 1 000 pages en fast/balanced, 10 $ en accurate ; offre Team 400 $ par mois.
- Quels sont les inconvénients de Surya OCR 2.5 ?
- Poids gratuits seulement sous 5 M$ de chiffre d'affaires et de financement ; prix payant non publié; pas de géométrie des lignes et colonnes de tableau ; Surya 2 reste nécessaire pour cela; scores en anglais, russe et bengali en baisse sur le jeu multilingue de Datalab; classé 12e sur 26 dans le classement indépendant BHL OCR.
- À qui s’adresse Surya OCR 2.5 ?
- Les petites équipes et les chercheurs qui ont besoin d'une analyse de documents auto-hébergée et rapide, avec mise en page et tableaux, et dont l'entreprise reste sous le seuil de la licence.
- Combien coûte Surya OCR 2.5 pour une équipe ou en production ?
- Environ 16 000 pages par heure sur une H100 à 192 DPI, jusqu'à environ 22 000 à 96 DPI. Sur un M4 Max, 0,19 page par seconde. En hébergé : 4 $ les 1 000 pages en fast, 10 $ en accurate.
- Surya OCR 2.5 est-il sûr pour les données de l’entreprise ?
- Code sous Apache 2.0 ; poids sous OpenRAIL-M modifiée, gratuits pour la recherche, l'usage personnel et les entreprises sous 5 M$ de chiffre d'affaires et de financement. Les exécutions auto-hébergées n'envoient rien à Datalab.
- Quelles sont les meilleures alternatives à Surya OCR 2.5 ?
- Les alternatives les plus proches que nous avons testées sont PaddleOCR-VL-1.6 et DeepSeek-OCR 2.
Réponses vérifiées le 31 oct. 2026.