在文档智能处理领域，复杂表格、手写体识别与布局保持一直是传统 OCR 方案难以攻克的痛点。Chandra 作为 Datalab 推出的新一代视觉语言模型（VLM）OCR 系统，通过端到端的架构设计在这些难点上取得了显著突破。本文将从模型架构、推理部署、性能优化三个维度，系统解析 Chandra 如何实现高质量的文档理解与转换。

核心架构：视觉语言模型的端到端文档理解

Chandra 采用典型的 VLM 架构，将视觉编码器与大语言模型进行深度融合。其核心设计理念是将文档图像视为一种特殊的 “视觉语言”，通过预训练的大规模视觉 - 语言对齐机制，实现对文档内容的全面理解。这种架构的优势在于，它不仅仅识别单个字符或单词，而是能够理解文档的语义结构 —— 包括段落关系、表格逻辑、公式层次等高层次信息。

在具体实现上，Chandra 使用 Qwen 3 作为底座语言模型，结合定制的视觉编码器处理文档图像。模型支持两种输出格式：Markdown 和 HTML。Markdown 格式适用于纯文本内容的结构化输出，能够保留标题层级、列表缩进等基本布局信息；HTML 格式则能精确还原表格结构、单元格合并、字体样式等复杂渲染信息。此外，Chandra 还提供 JSON 格式的元数据输出，包含页面坐标、置信度分数等用于下游处理的结构化数据。

Chandra 的训练数据覆盖了 90 多种语言，这使其在多语言文档处理上具备天然优势。特别值得注意的是，针对阿拉伯语、希伯来语等从右向左书写的语言，以及中文、日文等复杂字符集，Chandra 都有专门的优化策略。官方 benchmark 显示，在 43 种主流语言的测试中，Chandra 2 达到了 77.8% 的平均准确率，在部分语言（如德语、法语）上甚至超过了 90%。

复杂场景处理：表格、公式与手写体的专项优化

复杂表格处理是文档 OCR 中的经典难题。传统方案通常采用规则匹配或后处理校正的方式，依赖模板或启发式规则，泛化能力有限。Chandra 的解决方案是将表格视为一种结构化的视觉模式，通过预训练阶段的大量表格样本学习，使模型能够理解表格的行列逻辑、单元格对齐、跨列跨行等复杂关系。官方数据显示，Chandra 在表格识别任务上达到了 89.9% 的准确率，在同类模型中处于领先水平。

数学公式识别是另一个技术亮点。Chandra 能够处理印刷体公式和手写体公式两种场景。对于印刷体公式，模型通过识别 LaTeX 语法结构进行转换；对于手写体公式，则依赖视觉语义理解来重建公式结构。这一能力对于教育科技、学术文档处理等场景具有重要价值。从实际效果看，Chandra 在数学公式识别上的表现与其文本识别能力相当，没有出现明显的性能短板。

手写体识别是 Chandra 的核心优势之一。与印刷体不同，手写体存在书写风格多样、笔画连笔、字形变异等问题。Chandra 通过大规模手写样本的预训练，建立了对手写模式的深度理解。官方展示的示例包括英文手写笔记、表格填写、手写表单等多种场景，均能保持较高的识别准确率。这一能力使得 Chandra 在政务文档数字化、医疗表单处理、历史档案抢救等领域具有广阔的应用前景。

推理部署：vLLM 与 HuggingFace 双轨并行

Chandra 提供了两种推理部署方案，以满足不同场景的需求。第一种是基于 vLLM 的推理方案，这是官方推荐的部署方式。vLLM 是高性能的大语言模型推理引擎，通过连续批处理（Continuous Batching）、PagedAttention 等技术，能够显著提升推理吞吐量。在单张 NVIDIA H100 80GB GPU 上，Chandra 可以达到约 1.44 页 / 秒的处理速度，平均延迟 60 秒，P95 延迟 156 秒。官方估算，在实际生产环境中，处理速度可达到 2 页 / 秒。

第二种方案是基于 HuggingFace Transformers 的本地推理。这种方式的优势是部署简单、无需额外的推理引擎，适合对延迟不敏感的开发测试场景。但需要注意，本地推理模式下批处理能力有限，处理速度较 vLLM 方案显著降低。Chandra 还提供了 Streamlit Web App，可用于交互式演示和单页面的快速测试。

在生产部署时，Chandra 支持通过 Docker 容器启动 vLLM 服务。关键的配置参数包括：VLLM_API_BASE（API 基础地址，默认 http://localhost:8000/v1）、VLLM_MODEL_NAME（模型名称，默认 chandra）、VLLM_GPUS（GPU 设备 ID，默认 0）。此外，通过环境变量可以调整 MAX_OUTPUT_TOKENS（最大输出 token 数，默认 12384）和批处理大小（默认 28）等参数，以平衡延迟与吞吐量。

性能对比与选型建议

在公开的 benchmark 测试中，Chandra 2 的综合得分为 85.9，超过了 olmOCR 2 的 82.4 和 dots.ocr 1.5 的 83.9。这一成绩使其成为当前开源 OCR 模型中的领先者。值得注意的是，Chandra 在数学公式（90.2%）、老旧扫描件（89.3%）、表格（89.9%）等 hardcase 场景上表现尤为突出，这些正是传统 OCR 方案的薄弱环节。

对于有高精度需求的商业应用，Datalab 还提供了托管 API 服务。相比本地部署，托管 API 在准确率（86.7% vs 85.9%）和处理速度上都有进一步优化，适合对质量要求极高的生产场景。对于研究或个人开发者，本地部署方案已经能够满足大多数需求，且成本更低。

总体而言，Chandra 代表了 VLM-OCR 技术的最新进展，其端到端的架构设计避免了传统方案中多模块级联带来的误差累积问题。对于需要处理复杂文档的企业和技术团队，Chandra 提供了一个高质量、可部署的解决方案。随着视觉语言模型的持续进化，类似 Chandra 的系统将在文档智能处理领域发挥越来越重要的作用。

资料来源：Chandra 官方 GitHub 仓库（https://github.com/datalab-to/chandra）