Let's Make AGI Real

图博档和数字人文无疑对OCR无比关注，好在近来这个领域屡有突破，过去不敢想的手写、漫漶、透印等文本也能超高准确度还原，甚至有DeepSeek这种不以还原字符为目的、按图像方式进行压缩识别的清奇思路，独辟蹊径。这里就介绍一款以识别复杂板式为特长的Chandra OCR（以下简称 Chandra ），并将其与近期热门的DeepSeek OCR、PaddleOCR‑VL（飞桨 OCR 系列中的结构化版本）进行对比。为了系统化，我先分别介绍 Chandra 的关键信息，然后在同一维度下做横向对比。

一、Chandra OCR：简介与关键特性

1. 模型／项目背景

• Chandra 是由 Datalab 团队于2025 年10月30日正式发布的一款开源 OCR 模型。
• 项目主页说明：其目标是“超越传统 OCR 模型，仅识别文字，而是保留版式、结构、表格、公式、手写、图像/图表与图文混排”。
• 在 Hugging Face 等平台已有模型卡，说明其支持将文档（图片／PDF）输出为 Markdown、HTML 或 JSON，且保留布局信息（版面、表格、图像位置、注释等）。

2. 主要特性

根据其 README／模型卡／博客，Chandra 的亮点包括：

• 支持 40 多种语言。
• 擅长处理复杂文档：包含手写体、多栏布局、表格、数学公式、图表与图片嵌入。
• 输出形式灵活：Markdown／HTML／JSON，适合做后续语义检索、结构化抽取或下游 LLM 问答。
• 开源可用：GitHub、Hugging Face 均有对应仓库／模型卡。
• 在 “olmOCR” 基准测试（olmOCR‑Bench）上取得不错成绩：模型卡中列出 Chandra v0.1.0 在多个子任务上的得分（例如：整体 83.1 ± 0.9）。

3. 典型性能数据

从模型卡中的摘录（虽非同行评审的公开论文，但为目前公开可查数据）可见：

• 在 “Old Scans” 子任务：约 80.3 分。
• 在 “Tables” 子任务：约 88.0 分。
• 在整体 “Overall” 成绩： 83.1 ± 0.9。
• 官方博客说明其 “topped the independent olmocr benchmark” 的宣称。

4. 适用场景与定位

• 特别适合结构复杂、版式混乱、手写+印刷混合、多栏／图文混排文档。
• 输出结构化格式（Markdown/HTML/JSON）利于文档索引、问答系统、结构化抽取。
• 面向需要维护版面、提取表格/公式/图像/图注等“高级”文档理解场景。
• 开源可用于自建，适合集成进大规模文档处理流水线。

5. 目前可查限制／注意事项

• 虽然有公开基准数据，但尚未见大规模、同行评审论文详细说明其“压缩令牌”“长上下文处理”“LLM 连通”这一类方向（与 DeepSeek 那类“视觉-文本压缩”方向）那么明确。
• 模型卡中 “Multi-column” 得分为约 50.4 分（即其在某些复杂布局仍有挑战）——见模型卡中的表：
• 公布为 v0.1.0，相对较新，社区/生产环境的大规模商业验证还在积累中。
• 虽支持多语言，但具体中文／复杂版式中文环境下的公开专测数据量较少（至少未在公开摘要中详见）。

二、与 DeepSeek-OCR、PaddleOCR-VL 的比较

下面我以统一维度做横向对比，力求清晰、系统。请注意，由于各模型公开披露的信息、评测环境、版本差异等因素不同，以下对比主要基于公开资料，并带有一定推断。

三、从图书馆／档案／研究视角的选型建议

如果作为图书馆员，或正在研究档案／特藏建设或数字人文研究，下面从相关角度给出建议：

1. 档案馆／特藏文献、历史手写体、版式复杂材料

• 推荐优先考虑Chandra OCR：因其在“手写＋复杂版式（图文、表格、公式、图表）”方面宣传突出、多语种支持强。而你的图书馆场景常见“古籍扫描、档案手稿、混排表格”等。
• 同时可作为 “精细版式＋结构化抽取” 的方案，对比备选PaddleOCR-VL。如果手写量少、印刷体多、中文为主，则飞桨方案也可考虑。
• 若有超大规模批量印刷体文档、意在对接 LLM 问答／检索系统，可考虑DeepSeek-OCR做“粗读＋检索预处理”，然后 Chandra 做“深读＋结构化抽取”。

2. 大批量印刷文献 + 向下游 LLM 接入（摘要／问答检索）

• 若任务目标是“尽可能把文档输入 LLM 环节”以做检索/摘要/智能问答，那么 DeepSeek-OCR 的“令牌压缩”思路在成本/效率上具优势。
• 但如果文档中表格／公式／版式也很重要，则可用 DeepSeek 做第一遍提取，再用 Chandra 做结构补充。

3. 结构化抽取（表格/公式/阅读顺序）+端侧／低算力部署

• 若场景是“单位内部合同/发票/表格”或“高校图书馆端侧部署”，推荐PaddleOCR-VL。其参数轻，系统成熟，易于部署；若中文为主优势更明显。

四、需要进一步验证的问题／建议你关注点

• 虽然 Chandra 公布了不错数据，但可能需要验证其在中文古籍／特藏文献（印刷＋手写混合、旧字形）上的表现。推荐做小规模实测：抽取 50 页典型馆藏，分别用三款模型做对比。
• 检查算力／延时／显存需求：尤其是批量扫描时，模型的吞吐量、并行能力、是否支持 GPU 加速、是否有轻量版本。
• 检查下游集成能力：例如是否支持输出 JSON／Markdown 结构，方便你后续与知识发现平台、AI问答系统（你提到使用 LSP2.0、大模型检索等）集成。Chandra 输出结构化格式为其一大优点。
• 检查长期维护／社区活跃度：模型越新，社区问题／bug 修复可能越少。你作为图书馆／科研机构使用，服务稳定性也很重要。
• 检查数据合规／开源许可证：三者均开放或可本地部署，但具体许可证、商业使用限制及数据出境风险仍需确认（尤其如果你处理敏感特藏材料）。
• 检查版权/中文支持：验证手写中文/古字形识别效果，因为公众资料多为英文字体或现代印刷体，古籍环境挑战更大。

五、三款模型在“中文／古籍／混排表格”语料环境下的可用性、优势与待验证事项

1.公开资料摘要

Chandra OCR

• 其 GitHub 仓库明确说明：支持将图像／PDF 转换为 Markdown／HTML／JSON，保留版面信息（布局＋表格＋数学公式＋图像＋图注）。
• 官方博客指出该模型“在独立基准 olmOCR （旧扫描件＋复杂文档）上夺冠”。
• 模型卡指出支持 “40+ 语言” 。
• 一篇 Medium 技术评测撰稿称其 “优于 DeepSeek OCR” 在结构化版式解读上表现极佳。
• 但明确指出其 “多栏（multicolumn）”布局识别成绩仍有挑战（模型卡里 “Multi-column 得分约 50.4”）——虽然该数据未在摘要中广泛引用。

DeepSeek-OCR

• 在 arXiv 论文《DeepSeek-OCR: Contexts Optical Compression》中明确：当 “文本令牌数 ÷ 视觉令牌数 < 10×” 时，OCR 解码精度可达约 97%。当压缩比 ~20× 时，精度 ~60%。
• 官方/媒体指出该模型采用“将页／文档视作视觉载体（optical 2D mapping）”，把文本输入压缩为较少视觉令牌，从而大幅降低 LLM 上下文成本。
• 示例说明：在 OmniDocBench 上用「仅约100个视觉令牌／页」就能超过某些型号要求数千文本令牌的模型。
• 模型卡显示参数约 “3B” 。
• 但对于“中文／古籍手写＋复杂版式”专门评测数据不多。

PaddleOCR-VL

• 官方资料（飞桨）显示其支持109 种语言，能识别文字、表格、数学公式、图表。
• 在 Hugging Face 模型卡中指出：在 OmniDocBench v1.5／v1.0 上“几乎所有指标”达到 SOTA。
• 技术稿提及其采用 “NaViT-style 动态分辨率视觉编码器 + ERNIE-4.5 语言模型” 构成。
• 虽为端侧轻量化模型且多语种支持优秀，但专门“中文古籍／手写”版式的公开数据亦较少。

2.中文／古籍／混排表格”场景下的优劣分析

以下从几个维度进行分析，结合你的图书馆／档案／特藏环境需求（古籍印刷＋手写、表格／图表、图文混排、中文为主）：

六、基于你图书馆／档案场景的推荐方案

基于“高校图书馆／省级公共图书馆”“特藏建设”“捐赠档案”“手写＋印刷混排”环境，这里给出更细化的建议：

1. 先做验证试验

• 抽取你馆中典型语料：如 20 页古籍扫描（含手写批注）、20 页捐赠档案（多栏、边注）、20 页印刷报告（含表格、公式）。
• 分别用三款模型执行识别，记录：识别准确率（文字＋手写＋表格）、版面结构还原（多栏＋夹注＋脚注）、输出结构便利性（是否直接可入知识发现系统）以及处理时间/资源消耗。
• 设置指标：如“页级结构还原完整度 ≥ 90%”“文字识别庞大页误识别率 < 5%”“手写注释识别率 ≥ 80%”等。

2. 按照场景选择模型路线

• 若你的语料以“印刷＋表格＋公式”为主、且后续目标为大批量数字化＋知识检索，推荐以DeepSeek-OCR作为主方案，再用 Chandra 做结构化补充。
• 若你的语料以“手写＋古籍＋结构复杂”为主、且强调高结构化抽取（如版式、注释、脚注、图版）而非大吞吐量，则优先考虑Chandra OCR。
• 若你的硬件或部署环境较弱、需要端侧或本地快速上线、且语料版式虽复杂但手写比例低，则PaddleOCR-VL是一个非常稳妥方案。

3. 混合流水线建议

• 步骤 A：用 DeepSeek-OCR 对文档做 “粗读取＋压缩＋全文转文本” 以降低令牌／后续模型成本。
• 步骤 B：用 Chandra OCR 对关键页（表格页、手写批注页、复杂版式页）做 “深读取＋结构化抽取” → 输出为 Markdown/HTML/JSON。
• 步骤 C：再由 PaddleOCR-VL 或自建版面解析器处理“表格＋公式”特化抽取，如将表格数据转为 CSV/数据库。
• 步骤 D：将输出整合至知识发现平台 (如你的 LSP2.0 智能体-驱动平台)／做向量检索／链接至问答模块。

4. 资源与预算提醒

• 用 DeepSeek-OCR 批量处理时要注意硬件资源（GPU、显存、并行吞吐）、模型运行效率。媒体报道中虽有“单 A100 一天 200 k+ 页”说法，但这是理想场景。
• 用 Chandra OCR 时也要关注手写古籍与版式特异性（字体、排版、纸张老化、扫描质量）可能引起性能下降。需要做“适配调优”或微调。
• 用 PaddleOCR-VL 在端侧部署可减少硬件要求，但可能在超复杂版式场景中需要额外工程支持。