O que é Surya OCR 2.5?
O Surya OCR 2.5 é um modelo de visão e linguagem de 689 milhões de parâmetros da Datalab, a empresa por trás do conversor de PDF Marker, lançado em 29 de outubro de 2026 com a versão 0.23.0 do pacote surya-ocr. Um único modelo cuida da análise de layout com ordem de leitura, OCR de página inteira, tabelas em HTML com c élulas mescladas e matemática inline em LaTeX. A detecção de linhas de texto é um modelo pequeno separado.
Ele roda pelo pacote surya-ocr, que inicia um servidor vLLM em GPUs NVIDIA ou llama.cpp em CPUs e Apple Silicon, com um backend MLX experimental. O Marker 2.1.0 o usa por padrão. Ele abandona um recurso do Surya 2: a geometria de linhas e colunas das tabelas.
O código é Apache 2.0. Os pesos estão sob uma licença OpenRAIL-M modificada: grátis para pesquisa, uso pessoal e empresas abaixo de US$ 5 milhões tanto em receita quanto em captação; acima disso é preciso uma licença paga, com preço sob consulta.
Quanto custa Surya OCR 2.5?
| Plano | Preço | O que inclui |
|---|---|---|
| Weights | Free under $5M | OpenRAIL-M modificada; licença paga acima do limite |
| Datalab Convert API | $4 per 1,000 pages | Modo fast ou balanced; accurate a US$ 10 |
| Team | $400/month | Inclui US$ 400 de uso |
Pesos grátis para pesquisa, uso pessoal e empresas abaixo de US$ 5 milhões de receita e captação; licença paga acima disso (preço não publicado). API da Datalab: Convert a US$ 4 por 1.000 páginas em fast/balanced, US$ 10 em accurate; plano Team a US$ 400/mês.
Surya OCR 2.5 vale a pena?
O Surya 2.5 é mais um ganho de velocidade que um salto de precisão, e velocidade é o que importa neste tamanho. A Datalab mede 4,52 páginas por segundo em uma H100 a 192 DPI, contra 2,72 do Surya 2 com previsão de múltiplos tokens, porque ele escreve cerca de 1.514 tokens por página em vez de 3.917. O looping, a falha em que uma página corre até o limite de tokens, cai de 3,8% das requisições para 0,1%.
Os ganhos de precisão são modestos e em sua maioria autodeclarados. No OmniParseBench da própria Datalab, ele marca 85,9 contra 83,3 do Surya 2, com intervalo bootstrap publicado; no olmOCR-bench da Ai2, passa de 82,8 para 83,7. A primeira verificação externa, a avaliação de OCR da BHL, o colocou em 12º de 26, com taxa de erro de caracteres de 0,0432, empatado com o olmOCR-2. É respeitável para 689M de parâmetros, não um novo líder.
O quadro multilíngue é misto. O conjunto interno de 91 idiomas da Datalab dá 74,9% no geral, pouco acima dos 74,5%; chinês, alemão e vietnamita melhoraram, enquanto inglês caiu de 94,3% para 90,3%, russo de 77,8% para 71,7% e bengali de 61,6% para 55,3%. Equipes com documentos em russo ou em idiomas do sul da Ásia devem testar de novo antes de atualizar. A geometria de tabelas sumiu: surya_table --mode simple retorna um erro, então pipelines que precisam de coordenadas de células devem ficar no Surya 2.
A licença é a verdadeira restrição. O uso gratuito acaba em US$ 5 milhões de receita ou captação, um teto mais baixo do que parece para uma startup com investimento, e o preço pago não é publicado. PaddleOCR-VL e DeepSeek-OCR 2 estão sob Apache 2.0; a vantagem do Surya sobre eles é o empacotamento, um pip install que inicia seu próprio servidor e devolve blocos estruturados com rótulos, polígonos e pontuações de confiança.
Onde ele se destaca
Um engenheiro de ML em uma startup de legal tech em fase seed
Transformar 500.000 páginas de contratos digitalizados por mês em HTML estruturado
Às 4,52 páginas por segundo da Datalab, uma H100 dá conta disso em cerca de 31 horas de GPU. A empresa está abaixo do limite de US$ 5 milhões, então os pesos são grátis; ela precisa prever o custo de uma licença quando captar acima disso.
Um pesquisador digitalizando os periódicos da biblioteca de uma universidade
Extrair texto, matemática e ordem de leitura de artigos científicos antigos
As equações voltam como LaTeX compatível com KaTeX dentro do HTML, e as taxas de acerto em digitalizações antigas no olmOCR-bench são de só 44,3%, então páginas muito degradadas ainda precisam de um modelo maior ou de revisão manual.
Um líder de operações em um escritório de contabilidade de 40 pessoas
Analisar PDFs de clientes sem manter GPUs
A API Convert hospedada da Datalab cobra US$ 4 por 1.000 páginas no modo fast ou balanced, então 20.000 páginas por mês saem por cerca de US$ 80; a página de preços não diz quais modos rodam o Surya e quais rodam o Chandra.
Antes de decidir
- Configuração
- pip install surya-ocr, depois surya_ocr em uma imagem, PDF ou pasta; ele inicia o vLLM em Docker em GPUs NVIDIA ou o llama-server em CPU e Apple Silicon. Use --keep_server para não recarregar a cada comando.
- Integrações
- O Marker 2.1.0 o usa por padrão; vLLM, llama.cpp (GGUF publicado), MLX experimental; o servidor compatível com OpenAI pode ser compartilhado; app de demonstração em Streamlit.
- Dados e privacidade
- Código Apache 2.0; pesos sob OpenRAIL-M modificada, grátis para pesquisa, uso pessoal e empresas abaixo de US$ 5 milhões de receita e captação. Execuções auto-hospedadas não enviam nada à Datalab.
- Custo em escala
- Cerca de 16.000 páginas por hora em uma H100 a 192 DPI, subindo para cerca de 22.000 a 96 DPI. Em um M4 Max, 0,19 página por segundo. Hospedado: US$ 4 por 1.000 páginas em fast, US$ 10 em accurate.
- Limites
- Só documentos, não fotos ou cenas; sem geometria de tabelas; o contexto do vLLM precisa comportar uma imagem de cerca de 8.000 tokens mais um orçamento de 12.288 tokens por página; surya-ocr e vLLM entram em conflito em um mesmo ambiente Python.
O que é bom
- 4,52 páginas por segundo em uma H100 a 192 DPI, 1,7 vez o Surya 2
- Layout, ordem de leitura, OCR, tabelas em HTML e matemática em LaTeX a partir de um único modelo de 689M
- Roda em CPU e Apple Silicon via llama.cpp, Q8 com menos de 4,3GB de RSS
- Looping reduzido de 3,8% para 0,1% das páginas
O que não é
- Pesos grátis só abaixo de US$ 5 milhões de receita e captação; preço pago não publicado
- Sem geometria de linhas e colunas de tabelas; o Surya 2 ainda é necessário para isso
- As notas de inglês, russo e bengali caíram no conjunto multilíngue da Datalab
- 12º de 26 no ranking independente de OCR da BHL
Ideal para
Equipes pequenas e pesquisadores que precisam de análise de documentos rápida e auto-hospedada, com layout e tabelas, e cuja empresa está abaixo do limite da licença.
Alternativas ao Surya OCR 2.5
Surya OCR 2.5: perguntas frequentes
- Surya OCR 2.5 vale a pena?
- O Surya 2.5 faz de um modelo com menos de 1B um analisador de documentos completo e confiável, a cerca de 16.000 páginas por hora em uma H100, mas a licença dos pesos é o que se deve ler primeiro. Damos nota 4.0 de 5.
- Quanto custa Surya OCR 2.5?
- Pesos grátis para pesquisa, uso pessoal e empresas abaixo de US$ 5 milhões de receita e captação; licença paga acima disso (preço não publicado). API da Datalab: Convert a US$ 4 por 1.000 páginas em fast/balanced, US$ 10 em accurate; plano Team a US$ 400/mês.
- Quais são as desvantagens de Surya OCR 2.5?
- Pesos grátis só abaixo de US$ 5 milhões de receita e captação; preço pago não publicado; sem geometria de linhas e colunas de tabelas; o Surya 2 ainda é necessário para isso; as notas de inglês, russo e bengali caíram no conjunto multilíngue da Datalab; 12º de 26 no ranking independente de OCR da BHL.
- Para quem Surya OCR 2.5 é indicado?
- Equipes pequenas e pesquisadores que precisam de análise de documentos rápida e auto-hospedada, com layout e tabelas, e cuja empresa está abaixo do limite da licença.
- Quanto custa Surya OCR 2.5 para uma equipe ou em produção?
- Cerca de 16.000 páginas por hora em uma H100 a 192 DPI, subindo para cerca de 22.000 a 96 DPI. Em um M4 Max, 0,19 página por segundo. Hospedado: US$ 4 por 1.000 páginas em fast, US$ 10 em accurate.
- Surya OCR 2.5 é seguro para dados da empresa?
- Código Apache 2.0; pesos sob OpenRAIL-M modificada, grátis para pesquisa, uso pessoal e empresas abaixo de US$ 5 milhões de receita e captação. Execuções auto-hospedadas não enviam nada à Datalab.
- Quais são as melhores alternativas ao Surya OCR 2.5?
- As alternativas mais próximas que analisamos são PaddleOCR-VL-1.6 e DeepSeek-OCR 2.
Respostas verificadas em 31 de out. de 2026.