又一个开源 OCR 卷起来了：Chandra OCR 2，终于不只会“认字”，还开始真懂文档了
P
AI工具教程 AI工具教程约 2 分钟
AI工具教程 AI工具教程约 2 分钟
做过扫描件整理的人，应该都懂那种烦躁：字其实认出来了，但表格歪了，公式散了，页眉页脚混进正文，手写批注更是直接变天书。很多时候，最折磨人的甚至不是“识别不出来”，而是“识别出来一堆没法用的东西”。
这两天看到一个新开源项目，叫
Chandra OCR 2
，我第一反应还挺直接：这玩意儿不是在卷“识别率”那一个数字了，它是在卷“你最后拿到的东西能不能直接继续干活”。它支持把图片和 PDF 直接转成
Markdown、HTML、JSON
，而且重点是尽量把原始排版一并带出来。这个方向，明显比单纯吐一坨纯文本更实在。
官方给的信息也挺猛。Chandra OCR 2 支持
90 多种语言
，在它公布的 43 语种基准里，平均分是 **77.8%**；中文这一项是 **88.7%**。在 AllenAI 的 olmOCR 基准上，它的综合分数是 **85.9%**，项目页里把它写成了当前 SOTA。
但我觉得它真正有意思的，不是“第一名”这三个字，而是它专门啃的那些脏活累活：
复杂表格、数学公式、表单、复选框、手写内容
，还有图表和图片的提取与描述。你一看就知道，团队盯的不是截图识别这种轻活，而是论文、报表、扫描档案、跨语言资料这些真会把人逼疯的文档。
还有一点很对我胃口：它命令行就能跑，单文件和整个目录都能处理，输出里除了 Markdown 和 HTML，还会带上 metadata，图片也能单独抽出来。这个就很像一个能接进工作流的工具，而不是一个演示页上看着很炫、真落地又得重搭一遍的玩具。
当然了，OCR 这个赛道现在也很卷，谁第一、能第一多久，都不好说。可至少从我看到的资料里，Chandra OCR 2 已经不只是“把字认对”，而是在往“把文档还原对”走。这个差别，真用过的人会懂。
你要是经常处理扫描 PDF、论文、票据、合同，或者手头老有中英混排、表格公式乱飞的文档，这个项目确实值得装起来试一下。
GitHub地址：
datalab-to/chandra。