Surya 2.5がOCRモデルを更新、公式テストで単一GPUのスループットが約1.7倍に

Datalabは10月29日、6億8,900万パラメーターのOCRモデルSurya 2.5を公開し、surya-ocr 0.23.0では新しい重みを既定で使用するようにした。今回の更新は推論効率とインターフェースの動作の両方に関わる。surya_tableは既定で表をHTMLとして出力し、新モデルは表の行・列の幾何座標をサポートしない。既存のワークフローでこうしたデータが必要な場合は、Surya 2のチェックポイントを明示的に指定する必要がある。リリースノート

効率改善の鍵の一つは、出力の長さを抑えたことだ。新バージョンでは語彙を拡張して、よく使われる複数文字の単位を追加し、より簡潔なページ形式と組み合わせることで、ページごとのデコード量を減らした。公式テストでは、H100 1基、192 DPI、32件の同時リクエストという条件で、毎秒4.52ページを処理した。前世代にMulti-Token Prediction（MTP）を組み合わせた場合の2.72ページと比べ、約1.7倍の性能向上となる。この比較は同一のサーバー設定と300ページの文書を使っているが、ページは事前にレンダリング済みのため、PDF処理パイプライン全体の高速化率とそのまま見なすことはできない。テスト方法

文書をバッチ処理する場合、一部のページで生成が長引くのを防ぐことも重要だ。リリースノートによると、192 DPIのテストで出力上限に達したリクエストの割合は、前世代とMTPの組み合わせで3.8%だったのに対し、新版では0.1%に低下した。異常なページが推論リソースを占有する事態を減らせる可能性を示すが、実際の再試行コストは文書の内容やアプリケーションの設定によって異なる。同じリリースでは、実験的なApple Silicon MLXバックエンドも追加された。バージョン変更

精度について、公式発表ではOmniParseBenchの総合スコアは85.9で、前世代の83.3を上回った。このスコアはテキスト、表、レイアウトの各スコアの平均であり、文字認識の正解率を示すものではない。数値は開発チームによる公表値で、独立した再現検証はこれからだ。アップグレードを検討するエンジニアリングチームは、繁体字中国語、スキャン文書、複雑な表を使って出力品質を確認したうえで、処理パイプライン全体の所要時間を測るべきだ。ライセンスも個別に確認が必要となる。コードはApache 2.0、重みは改変版OpenRAIL-Mで提供されるため、商用導入時は適用条件を確認したい。公式発表