Surya liest Dokumente lokal und erhält ihre Seitenstruktur

Worum es geht

Eine gescannte Seite enthält mehr als Buchstaben: Überschriften, Spalten, Tabellen und Fußnoten bestimmen, wie der Inhalt gelesen werden muss. Surya von Datalab ist ein nutzbares Werkzeug für genau diese Vorarbeit. Es erkennt Text und Dokumentstruktur und stellt die Ergebnisse für weitere Software bereit. Interessant ist das für Entwickler, Archive und Teams, die Dokumente für eine Suche oder einen KI-Assistenten aufbereiten.

Dieser Tool-Check basiert auf den am 26. Oktober 2026 erreichbaren Projektunterlagen. Er ist keine Ankündigung eines heutigen Releases und kein eigener Leistungstest. Hinter Datalab steht laut Anbieterbedingungen Endless Labs, Inc. Entscheidend ist hier nicht ein neues Chatmodell, sondern ein installierbares Paket mit Kommandozeilenbefehlen, Python-Anbindung und einer interaktiven Testoberfläche.

Was Surya tatsächlich macht

Die aktuelle Dokumentation beschreibt Surya 2 als gemeinsames Bild-Sprach-Modell für Texterkennung, Layoutanalyse und Tabellenerkennung. Das Paket verarbeitet Bilder, PDFs oder ganze Ordner. Die OCR-Ausgabe enthält erkannte Blöcke in Lesereihenfolge, ihre Position auf der Seite und Inhalte als HTML. Tabellen können dadurch als strukturierte Inhalte statt als lose nebeneinanderstehende Wörter weitergegeben werden.

Für die Installation nennt das Projekt pip install surya-ocr. Dazu kommt ein Inferenz-Backend, also die Software, welche die Modellberechnungen ausführt: Für NVIDIA-Grafikkarten sind Docker und das NVIDIA Container Toolkit vorgesehen; für CPU oder Apple Silicon nennt das Projekt den llama-server aus llama.cpp. Ein Paketdownload allein ist deshalb noch keine fertige Installation.

Mit surya_ocr DATA_PATH startet die Texterkennung. Für eine interaktive Prüfung dokumentiert das Projekt surya_gui, ergänzt um Streamlit und pdftext. Die Oberfläche ist vor allem ein Einstieg zum Ausprobieren. Wer wiederkehrende Dokumentmengen bearbeiten möchte, kann die Kommandozeile oder die Python-Schnittstelle in einen eigenen Ablauf einbinden.

Warum das wichtig ist

Ein nachgelagerter Assistent kann nur mit den Informationen arbeiten, die ihn erreichen. Werden zwei Spalten vermischt oder eine Tabellenüberschrift dem falschen Wert zugeordnet, entsteht ein Fehler bereits vor der eigentlichen Frage an die KI. Surya adressiert diesen Übergang zwischen sichtbarer Seite und maschinenlesbarer Struktur. Die gespeicherten Positionen können außerdem helfen, erkannte Inhalte mit der Originalseite zu vergleichen.

Für die Einordnung ist die unabhängige Benchmark-Infrastruktur von Ai2 nützlich: olmOCR-bench prüft unterschiedliche Dokumentprobleme, darunter mehrspaltige Seiten, Tabellen und alte Scans. Die öffentlich sichtbare Rangliste führt auch Surya OCR 2. Das ist kein Nachweis, dass eigene deutschsprachige Formulare ebenso gut funktionieren. Es zeigt vielmehr, welche Fehlerklassen ein eigener Test berücksichtigen sollte.

Der lokale Betrieb ist eine Option für Teams, die Dokumente nicht pauschal an einen Cloud-Dienst übertragen möchten. Er ersetzt aber keine Prüfung der tatsächlichen Konfiguration. Wer einen entfernten Inferenzserver einträgt, verschiebt den Verarbeitungsort. Datalabs verwaltete Plattform ist wiederum ein separates Angebot und verwendet neben Surya weitere Modelle; ihre Ergebnisse sind nicht automatisch Surya-Ergebnisse.

Einfach erklärt

Man kann sich Surya wie eine Hilfe beim Sortieren eines Papierordners vorstellen. Sie schreibt nicht nur die Wörter ab, sondern markiert auch: Diese Zeile ist eine Überschrift, diese Zahlen gehören zu einer Tabelle, diese Notiz steht unten am Rand. Erst danach lässt sich der Ordner sinnvoll durchsuchen. Eine falsch einsortierte Seite bleibt allerdings falsch, selbst wenn später jemand sehr flüssig darüber spricht.

Praktisches Beispiel

Ein fiktives Archivteam wählt für einen ersten Versuch zwölf freigegebene Seiten: vier Briefe, vier mehrspaltige Berichte und vier Tabellen. Vor dem Start hält es pro Seite fünf wichtige Textstellen oder Zuordnungen fest. Damit entstehen 60 konkrete Prüfpunkte statt eines allgemeinen Eindrucks, dass die Ausgabe gut aussieht.

Das Team installiert Surya in einer getrennten Testumgebung, richtet das passende Backend ein und verarbeitet zunächst eine Seite. Anschließend prüft es im Original, ob Überschriften, Zahlen und Tabellenzellen richtig zusammengehören. Erst danach folgt der gesamte kleine Stapel. Laufzeit, notwendige Korrekturen und belegter Speicher werden notiert; ein schneller Durchlauf allein ist noch kein Erfolg.

Der nächste sinnvolle Schritt wäre ein Vergleich mit dem bisherigen Verfahren auf denselben zwölf Seiten. Ein Übergang in den Alltag lohnt sich nur, wenn die Ergebnisse für den konkreten Dokumenttyp ausreichend zuverlässig sind und die Nacharbeit vertretbar bleibt. Diese Zahlen sind ein vorgeschlagener Testplan, keine gemessenen Surya-Ergebnisse.

Einordnung und Grenzen

• Erkennung bleibt fehlbar. Schlechte Scans, ungewöhnliche Anordnungen und fehlerhafte Tabellenzuordnungen müssen im eigenen Bestand geprüft werden. Ein Konfidenzwert ist keine Garantie für sachlich richtige Inhalte. Wichtige Beträge oder Identifikationsnummern benötigen eine Kontrolle gegen das Original.
• Lokal bedeutet Betriebsaufwand. Backend, Modelle, Speicher und Zugriffsrechte müssen eingerichtet und gepflegt werden. Hardware- und Administrationskosten bleiben auch ohne Cloud-Abrechnung bestehen. Für vertrauliche Dokumente sind zusätzlich Netzwerkwege und Ablageorte der Ausgaben zu prüfen.
• Code und Modell haben unterschiedliche Lizenzen. Der Code steht unter Apache 2.0, die Gewichte unter einer modifizierten AI Pubs Open RAIL-M-Lizenz. Diese enthält Umsatz- und Finanzierungsgrenzen, Einschränkungen für konkurrierende Angebote sowie Regeln zu Attribution und Weitergabe. Größere kommerzielle Einsätze können eine gesonderte Lizenz erfordern. Die vollständigen Bedingungen sind wichtiger als das Etikett „Open Source“; einen pauschalen Preis für alle Einsatzformen nennen wir deshalb nicht.

Bildnachweis: offizielles Layoutbeispiel aus dem Surya-Repository von Datalab; dargestellt ist die Titelseite von „Attention Is All You Need“ von Vaswani und Mitautoren mit erkannten Dokumentbereichen. Repository und Lizenztexte sind unten verlinkt.

SEO- und GEO-Schlüsselbegriffe

Surya OCR, Datalab, Dokumentenerkennung, Layoutanalyse, Tabellenextraktion, lokale KI, Python, llama.cpp, Dokumentverarbeitung, olmOCR-bench