Qu’est-ce que Chandra OCR 2 ?
Chandra OCR 2 est un modèle d'analyse de documents de Datalab, l'entreprise derrière Marker et Surya, sorti le 18 mars 2026 avec la version 0.2.0 du paquet chandra-ocr. Datalab le présente comme un modèle 4B ; le décompte des safetensors sur Hugging Face est de 5,30 milliards de paramètres, soit environ 10,6 GB en BF16. Il repose sur Qwen 3.5 et transforme des images de pages et des PDF en Markdown, HTML ou JSON avec des blocs de mise en page et des boîtes englobantes.
Le modèle étiquette 18 types de blocs, des tableaux et équations aux schémas chimiques et tables des matières, convertit les organigrammes en Mermaid, extrait les valeurs des graphiques et lit l'écriture manuscrite ainsi que les formulaires remplis avec cases à cocher. Datalab revendique la prise en charge de 90 langues ou plus.
Le code est sous Apache 2.0. Les poids utilisent une licence OpenRAIL-M modifiée : gratuite pour la recherche et l'usage personnel, et gratuite en usage commercial uniquement si votre entreprise a à la fois moins de 2 M$ de chiffre d'affaires brut l'année précédente et moins de 2 M$ de financement total. Par ailleurs, aucune entreprise, quelle que soit sa taille, ne peut l'utiliser dans un produit concurrent de ceux de Datalab. Au-delà des seuils, une licence payante est nécessaire ; son prix n'est pas publié.
Combien coûte Chandra OCR 2 ?
| Offre | Prix | Ce qui est inclus |
|---|---|---|
| Weights | Free under $2M | OpenRAIL-M modifiée ; pas d'usage concurrent ; licence payante au-delà du seuil |
| Datalab Convert API | $4 per 1,000 pages | Mode fast ou balanced ; mode accurate à 10 $ |
| Team | $400/month | Inclut 400 $ d'usage |
Poids gratuits pour la recherche, l'usage personnel et les entreprises sous 2 M$ de chiffre d'affaires et 2 M$ de financement ; licence payante au-delà (prix non publié). API Datalab : Convert à 4 $ les 1 000 pages en mode fast/balanced, 10 $ en mode accurate ; offre Team à 400 $/mois.
Chandra OCR 2 vaut-il le coup ?
Chandra OCR 2 est l'un des rares modèles d'OCR dont les annonces de précision ont résisté au test de quelqu'un d'autre. Sur le BHL OCR leaderboard, un classement indépendant de 2 165 pages transcrites à la main tirées de livres d'histoire naturelle des 18e et 19e siècles, il se classe 2e sur 26 avec un taux d'erreur de caractères de 0,0214, statistiquement à égalité avec dots.mocr à 0,0214 et dots.ocr à 0,0224. Son taux de boucle y est de 0,09 %, soit deux pages, le plus bas de tous les modèles génératifs du classement.
Les propres chiffres de Datalab vont dans le même sens. Il annonce 85,8 sur l'olmOCR-Bench d'Ai2, le meilleur score à poids ouverts de son tableau, devant dots.ocr 1.5 à 83,9 et olmOCR 2 à 82,4 ; les notes de version disent 85,9, attendez-vous donc à une décimale d'écart. Jina et OpenBMB, deux concurrents, indiquent Chandra 2 à 85,8 dans leurs propres tableaux olmOCR. Sur le jeu interne de Datalab en 43 langues, il atteint en moyenne 77,8 %, contre 67,6 % pour Gemini 2.5 Flash, mais reste derrière Gemini en arabe, hindi, ourdou et vietnamien.
La taille est le prix à payer. Avec 5,30 milliards de paramètres selon Hugging Face, il fait environ cinq fois PaddleOCR-VL-1.6, et le débit mesuré par Datalab est de 1,44 page par seconde sur un H100 avec 96 requêtes simultanées sur le jeu olmOCR difficile, ce qu'il estime à environ 2 pages par seconde sur des documents ordinaires. Surya OCR 2.5, de la même entreprise, atteint 4,52 pages par seconde. Le classement BHL a aussi relevé un taux d'erreur diplomatique, qui conserve le s long et les ligatures tels qu'imprimés, de 0,093, bien pire que son score principal, en partie à cause du balisage de sa sortie.
La licence décide de la plupart des achats. Le plafond de 2 M$ s'applique séparément au chiffre d'affaires et au financement, si bien qu'une startup qui a levé un tour d'amorçage de 3 M$ a déjà besoin d'une licence payante, et la clause qui interdit l'usage dans tout produit concurrent de l'API de Datalab touche les éditeurs de traitement de documents de toutes tailles. Surya OCR 2.5 relève le seuil à 5 M$ ; PaddleOCR-VL-1.6, GLM-OCR et MiniCPM-OCR 1.0 n'ont aucun seuil.
Là où il fait la différence
Une équipe de numérisation dans une bibliothèque d'histoire naturelle
Transcrire des volumes imprimés du 19e siècle pour la recherche plein texte
Servez le modèle avec chandra_vllm et traitez les images de pages par lots avec la CLI chandra. L'usage de recherche et à but non lucratif est gratuit selon la licence, et le taux d'erreur de 0,0214 relevé par le classement BHL sur ce type de documents est une mesure, pas une promesse de fournisseur. Gardez un outil travaillant ligne par ligne à côté si vous avez besoin des graphies et ligatures d'origine.
Une ingénieure dans une insurtech en phase d'amorçage ayant levé 1,5 M$
Extraire en JSON des formulaires de sinistre manuscrits, cases à cocher comprises
Auto-hébergez-le sur un H100 ou un équivalent loué ; à l'estimation de Datalab de 2 pages par seconde, cela fait environ 7 200 pages par heure. Les poids sont gratuits tant que le chiffre d'affaires et le financement restent tous deux sous 2 M$, si bien que le prochain tour de financement déclenchera une négociation de licence.
Un responsable des opérations dans une entreprise logistique de 200 personnes au-dessus du seuil
Analyser les PDF des fournisseurs sans acheter de licence de modèle
Envoyez les pages à l'API Convert hébergée de Datalab, à 4 $ les 1 000 pages en mode fast ou balanced ou 10 $ en mode accurate, si bien que 50 000 pages par mois coûtent de 200 $ à 500 $. La fiche de Datalab indique que l'API hébergée obtient 86,7 sur olmOCR-Bench, un peu au-dessus des poids ouverts.
Avant de vous engager
- Mise en route
- pip install chandra-ocr, démarrez un serveur vLLM avec chandra_vllm, puis lancez chandra input.pdf ./output ; la voie Transformers demande pip install chandra-ocr[hf] et torch.
- Intégrations
- vLLM (recommandé) et Hugging Face Transformers ; API Python InferenceManager ; sortie Markdown, HTML et JSON avec boîtes englobantes ; API hébergée et playground de Datalab.
- Données et confidentialité
- Code sous Apache 2.0 ; poids sous OpenRAIL-M modifiée avec un plafond de 2 M$ de chiffre d'affaires et 2 M$ de financement et une clause d'interdiction d'usage concurrent. En auto-hébergement, les documents restent sur votre matériel.
- Coût à grande échelle
- Poids d'environ 10,6 GB en BF16 ; Datalab mesure 1,44 page par seconde sur un H100 80GB avec 96 séquences simultanées sur des pages d'olmOCR-Bench et estime environ 2 sur des documents réels. Hébergé : 4 $ les 1 000 pages en mode fast, 10 $ en mode accurate.
- Limites
- Latence P95 de 156 secondes dans le test de débit de Datalab lui-même ; moins bon que Gemini 2.5 Flash en arabe, hindi et ourdou dans le tableau de Datalab ; le client du fournisseur rééchantillonne les pages qui bouclent, ce qui ajoute de la latence.
Les points forts
- 2e sur 26 au classement indépendant BHL OCR, à égalité avec le premier
- 85,8 sur olmOCR-Bench, meilleur score à poids ouverts du tableau de Datalab
- Blocs de mise en page, écriture manuscrite, formulaires, graphiques et diagrammes Mermaid dans un seul modèle
- Taux de boucle de 0,09 % lors de tests indépendants
Les points faibles
- Usage commercial gratuit uniquement sous 2 M$ de chiffre d'affaires et 2 M$ de financement
- Interdit l'usage dans des produits concurrents de l'API de Datalab
- 5,30B paramètres ; environ 1,44 page par seconde sur un H100 sur des pages difficiles
- Taux d'erreur diplomatique (tel qu'imprimé) de 0,093 sur le classement BHL, bien au-dessus de son score principal
Idéal pour
Les chercheurs, les archives et les petites entreprises sous le seuil de la licence qui veulent le parseur ouvert le plus testé de manière indépendante pour les numérisations difficiles et l'écriture manuscrite.
Alternatives à Chandra OCR 2
Chandra OCR 2 : questions fréquentes
- Chandra OCR 2 vaut-il le coup ?
- Chandra OCR 2 a les meilleures preuves externes de tous les parseurs de documents ouverts que nous couvrons, et la licence la plus stricte : l'usage commercial gratuit s'arrête à 2 M$. Nous lui donnons 4.2 sur 5.
- Combien coûte Chandra OCR 2 ?
- Poids gratuits pour la recherche, l'usage personnel et les entreprises sous 2 M$ de chiffre d'affaires et 2 M$ de financement ; licence payante au-delà (prix non publié). API Datalab : Convert à 4 $ les 1 000 pages en mode fast/balanced, 10 $ en mode accurate ; offre Team à 400 $/mois.
- Quels sont les inconvénients de Chandra OCR 2 ?
- Usage commercial gratuit uniquement sous 2 M$ de chiffre d'affaires et 2 M$ de financement; interdit l'usage dans des produits concurrents de l'API de Datalab; 5,30B paramètres ; environ 1,44 page par seconde sur un H100 sur des pages difficiles; taux d'erreur diplomatique (tel qu'imprimé) de 0,093 sur le classement BHL, bien au-dessus de son score principal.
- À qui s’adresse Chandra OCR 2 ?
- Les chercheurs, les archives et les petites entreprises sous le seuil de la licence qui veulent le parseur ouvert le plus testé de manière indépendante pour les numérisations difficiles et l'écriture manuscrite.
- Combien coûte Chandra OCR 2 pour une équipe ou en production ?
- Poids d'environ 10,6 GB en BF16 ; Datalab mesure 1,44 page par seconde sur un H100 80GB avec 96 séquences simultanées sur des pages d'olmOCR-Bench et estime environ 2 sur des documents réels. Hébergé : 4 $ les 1 000 pages en mode fast, 10 $ en mode accurate.
- Chandra OCR 2 est-il sûr pour les données de l’entreprise ?
- Code sous Apache 2.0 ; poids sous OpenRAIL-M modifiée avec un plafond de 2 M$ de chiffre d'affaires et 2 M$ de financement et une clause d'interdiction d'usage concurrent. En auto-hébergement, les documents restent sur votre matériel.
- Quelles sont les meilleures alternatives à Chandra OCR 2 ?
- Les alternatives les plus proches que nous avons testées sont Surya OCR 2.5, dots.ocr, LightOnOCR-3-4B, PaddleOCR-VL-1.6 et Mistral OCR 4.1.
Réponses vérifiées le 2 nov. 2026.
Vous éditez Chandra OCR 2 ? Affichez cette note sur votre site
