¿Qué es Chandra OCR 2?
Chandra OCR 2 es un modelo de análisis de documentos de Datalab, la empresa detrás de Marker y Surya, publicado el 18 de marzo de 2026 con la versión 0.2.0 del paquete chandra-ocr. Datalab lo llama un modelo de 4B; el recuento de safetensors en Hugging Face es de 5.300 millones de parámetros, unos 10,6 GB en BF16. Está construido sobre Qwen 3.5 y convierte imágenes de páginas y PDF en Markdown, HTML o JSON con bloques de maquetación y cuadros delimitadores.
El modelo etiqueta 18 tipos de bloque, desde tablas y ecuaciones hasta diagramas químicos e índices, convierte diagramas de flujo a Mermaid, extrae valores de gráficos y lee escritura a mano y formularios rellenados con casillas. Datalab afirma que admite 90 idiomas o más.
El código es Apache 2.0. Los pesos usan una licencia OpenRAIL-M modificada: gratuita para investigación y uso personal, y gratuita para uso comercial solo si tu empresa tuvo el año anterior menos de 2M $ de ingresos brutos y menos de 2M $ de financiación total. Aparte, ninguna empresa de ningún tamaño puede usarlo en un producto que compita con los de Datalab. Por encima de esos umbrales hace falta una licencia de pago; el precio no se publica.
¿Cuánto cuesta Chandra OCR 2?
| Plan | Precio | Qué incluye |
|---|---|---|
| Weights | Free under $2M | OpenRAIL-M modificada; prohibido el uso competidor; licencia de pago por encima del umbral |
| Datalab Convert API | $4 per 1,000 pages | Modo fast o balanced; accurate 10 $ |
| Team | $400/month | Incluye 400 $ de uso |
Pesos gratuitos para investigación, uso personal y empresas con menos de 2M $ de ingresos y 2M $ de financiación; licencia de pago por encima (precio no publicado). API de Datalab: Convert 4 $ por 1.000 páginas en modo fast/balanced, 10 $ en accurate; plan Team 400 $/mes.
¿Merece la pena Chandra OCR 2?
Chandra OCR 2 es uno de los pocos modelos de OCR cuyas afirmaciones de precisión han resistido la prueba de otros. En la clasificación BHL OCR, una tabla independiente de 2.165 páginas transcritas a mano de libros de historia natural de los siglos 18 y 19, ocupa el 2.º puesto de 26 con una tasa de error de caracteres de 0,0214, estadísticamente empatado con dots.mocr en 0,0214 y dots.ocr en 0,0224. Su tasa de bucles allí, un 0,09% o dos páginas, es la más baja de todos los modelos generativos de la tabla.
Las cifras de la propia Datalab apuntan en la misma dirección. Comunica 85,8 en olmOCR-Bench de Ai2, la mejor puntuación de pesos abiertos de su tabla, por delante de dots.ocr 1.5 con 83,9 y olmOCR 2 con 82,4; las notas de versión dicen 85,9, así que cuenta con una décima de variación. Jina y OpenBMB, ambos rivales, recogen Chandra 2 con 85,8 en sus propias tablas de olmOCR. En el conjunto interno de 43 idiomas de Datalab promedia un 77,8%, frente al 67,6% de Gemini 2.5 Flash, pero sigue por detrás de Gemini en árabe, hindi, urdu y vietnamita.
El tamaño es el precio. Con 5.300 millones de parámetros según Hugging Face, es unas cinco veces PaddleOCR-VL-1.6, y la cifra de rendimiento de Datalab es de 1,44 páginas por segundo en una H100 con 96 peticiones simultáneas en el conjunto difícil de olmOCR, que estima en unas 2 páginas por segundo con documentos corrientes. Surya OCR 2.5, de la misma empresa, llega a 4,52 páginas por segundo. La clasificación BHL también situó su tasa de error diplomática, que conserva la s larga y las ligaduras tal como se imprimieron, en 0,093, mucho peor que su cifra principal, en parte por el marcado de su salida.
La licencia decide la mayoría de las compras. El techo de 2M $ se aplica por separado a los ingresos y a la financiación, así que una startup que ha cerrado una ronda semilla de 3M $ ya necesita una licencia de pago, y la cláusula que prohíbe su uso en cualquier producto que compita con la API de Datalab afecta a proveedores de procesamiento de documentos de cualquier tamaño. Surya OCR 2.5 sube el umbral a 5M $; PaddleOCR-VL-1.6, GLM-OCR y MiniCPM-OCR 1.0 no tienen ningún umbral.
Dónde se gana su sitio
Un equipo de digitalización en una biblioteca de historia natural
Transcribir volúmenes impresos del siglo XIX para la búsqueda de texto completo
Sirve el modelo con chandra_vllm y procesa por lotes las imágenes de página con la CLI de chandra. El uso para investigación y sin ánimo de lucro es gratuito según la licencia, y la tasa de error de 0,0214 de la clasificación BHL con este tipo de material es una cifra medida, no una afirmación del proveedor. Mantén junto a él una herramienta a nivel de línea si necesitas las grafías originales y las ligaduras.
Una ingeniera en una insurtech en fase semilla que ha recaudado 1,5M $
Extraer a JSON formularios de siniestros escritos a mano, casillas incluidas
Autoaloja el modelo en una H100 o una equivalente alquilada; con la estimación de Datalab de 2 páginas por segundo son unas 7.200 páginas por hora. Los pesos son gratuitos mientras los ingresos y la financiación sigan por debajo de 2M $, así que la siguiente ronda de financiación obliga a negociar una licencia.
Un responsable de operaciones en una empresa logística de 200 personas por encima del umbral
Analizar los PDF de proveedores sin comprar una licencia del modelo
Envía las páginas a la API alojada Convert de Datalab a 4 $ por 1.000 páginas en modo fast o balanced o 10 $ en modo accurate, así que 50.000 páginas al mes cuestan de 200 $ a 500 $. La ficha de Datalab dice que la API alojada obtiene 86,7 en olmOCR-Bench, algo por encima de los pesos abiertos.
Antes de decidirte
- Puesta en marcha
- pip install chandra-ocr, arranca un servidor vLLM con chandra_vllm y ejecuta chandra input.pdf ./output; la vía de Transformers necesita pip install chandra-ocr[hf] y torch.
- Integraciones
- vLLM (recomendado) y Hugging Face Transformers; API de Python InferenceManager; salida en Markdown, HTML y JSON con cuadros delimitadores; API alojada y playground de Datalab.
- Datos y privacidad
- Código Apache 2.0; pesos con OpenRAIL-M modificada, con un techo de 2M $ de ingresos y 2M $ de financiación y una cláusula que prohíbe el uso competidor. Las ejecuciones autoalojadas mantienen los documentos en tu hardware.
- Coste a escala
- Pesos de unos 10,6 GB en BF16; Datalab mide 1,44 páginas por segundo en una H100 80GB con 96 secuencias simultáneas en páginas de olmOCR-Bench y estima unas 2 con documentos reales. Alojado: 4 $ por 1.000 páginas en fast, 10 $ en accurate.
- Límites
- Latencia P95 de 156 segundos en la propia prueba de rendimiento de Datalab; más débil que Gemini 2.5 Flash en árabe, hindi y urdu en la tabla de Datalab; el cliente del proveedor vuelve a muestrear las páginas que entran en bucle, lo que añade latencia.
Lo bueno
- 2.º de 26 en la clasificación independiente BHL OCR, empatado con el líder
- 85,8 en olmOCR-Bench, la mejor puntuación de pesos abiertos en la tabla de Datalab
- Bloques de maquetación, escritura a mano, formularios, gráficos y diagramas Mermaid en un solo modelo
- Tasa de bucles del 0,09% en pruebas independientes
Lo malo
- Uso comercial gratuito solo por debajo de 2M $ de ingresos y 2M $ de financiación
- Prohíbe su uso en productos que compitan con la API de Datalab
- 5,30B parámetros; unas 1,44 páginas por segundo en una H100 con páginas difíciles
- Tasa de error diplomática (tal como se imprimió) de 0,093 en la clasificación BHL, muy por encima de su cifra principal
Ideal para
Investigadores, archivos y pequeñas empresas por debajo del umbral de la licencia que quieren el analizador abierto más probado de forma independiente para escaneos difíciles y escritura a mano.
Alternativas a Chandra OCR 2
Chandra OCR 2: preguntas frecuentes
- ¿Merece la pena Chandra OCR 2?
- Chandra OCR 2 tiene las mejores pruebas externas de todos los analizadores de documentos abiertos que cubrimos, y la licencia más estricta: el uso comercial gratuito termina en 2M $. Le damos un 4.2 sobre 5.
- ¿Cuánto cuesta Chandra OCR 2?
- Pesos gratuitos para investigación, uso personal y empresas con menos de 2M $ de ingresos y 2M $ de financiación; licencia de pago por encima (precio no publicado). API de Datalab: Convert 4 $ por 1.000 páginas en modo fast/balanced, 10 $ en accurate; plan Team 400 $/mes.
- ¿Qué inconvenientes tiene Chandra OCR 2?
- Uso comercial gratuito solo por debajo de 2M $ de ingresos y 2M $ de financiación; prohíbe su uso en productos que compitan con la API de Datalab; 5,30B parámetros; unas 1,44 páginas por segundo en una H100 con páginas difíciles; tasa de error diplomática (tal como se imprimió) de 0,093 en la clasificación BHL, muy por encima de su cifra principal.
- ¿Para quién es Chandra OCR 2?
- Investigadores, archivos y pequeñas empresas por debajo del umbral de la licencia que quieren el analizador abierto más probado de forma independiente para escaneos difíciles y escritura a mano.
- ¿Cuánto cuesta Chandra OCR 2 para un equipo o en producción?
- Pesos de unos 10,6 GB en BF16; Datalab mide 1,44 páginas por segundo en una H100 80GB con 96 secuencias simultáneas en páginas de olmOCR-Bench y estima unas 2 con documentos reales. Alojado: 4 $ por 1.000 páginas en fast, 10 $ en accurate.
- ¿Es Chandra OCR 2 seguro para los datos de la empresa?
- Código Apache 2.0; pesos con OpenRAIL-M modificada, con un techo de 2M $ de ingresos y 2M $ de financiación y una cláusula que prohíbe el uso competidor. Las ejecuciones autoalojadas mantienen los documentos en tu hardware.
- ¿Cuáles son las mejores alternativas a Chandra OCR 2?
- Las alternativas más cercanas que hemos analizado son Surya OCR 2.5, dots.ocr, LightOnOCR-3-4B, PaddleOCR-VL-1.6 y Mistral OCR 4.1.
Respuestas comprobadas el 2 nov 2026.
¿Desarrollas Chandra OCR 2? Muestra esta nota en tu web
