所有做文档AI的人都懂这个痛：

你花大价钱搭了RAG pipeline，你精心调了agent的prompt，你选了最先进的embedding模型——但最后发现，整个系统在第一页就卡住了。

OCR那层把表格读裂了，把公式搞没了，把多栏版面彻底打乱。

文档AI不是败在「模型不够聪明」，而是常常先败在「第一页就没读对」。

2026年3月18日，Datalab创始人Vik Paruchuri在X上宣布开源Chandra OCR 2。

▲ Datalab创始人Vik Paruchuri宣布Chandra OCR 2开源，模型从9B降到4B，但benchmark反而冲到了SOTA。这条发布帖在短短几小时内获得近300次书签收藏。

这波发布最狠的，不是「又一个开源OCR模型来了」，而是它把一个很难看的trade-off做得漂亮：更小，但更强。

9B→4B，准确率还反超了

Chandra OCR 2的第一组核心数据，值得放大看：

• 参数量：4B
  
  （前代9B，直接砍掉一半多）
• olmOCR benchmark：85.9%
  
  （SOTA，比前代83.1%还高）
• 语言支持：90+
  
  （比前代的40+翻了一倍不止）

▲ Hugging Face评测团队的Nathan直接打出「NEW SOTA OCR MODEL DROPPED」，确认Chandra OCR 2在olmOCR榜单上拿下第一名。

这意味着什么？

如果只是「更准但更大」，开发者会说「那当然更贵」； 如果只是「更小但更菜」，开发者会说「那只是便宜点」；

但它讲的是：更小了，而且更准了。

开发者Twlvone的点评很犀利：

「9B → 4B with SOTA accuracy is the standout figure.」

这句话解释了为什么这次发布不只是技术圈的自嗨——因为上游OCR变便宜、变快、还维持高精度，会让整个文档AI流水线都受益。

▲ Twlvone指出，OCR是文档AI的上游瓶颈，RAG、agentic workflows、财务文档解析都卡在这一层。更好的OCR意味着整条pipeline更便宜更快。

OCR为什么成了那个最烦的上游瓶颈？

很多人喜欢讨论RAG召回好不好、agent会不会用工具、模型能不能做任务规划。

但现实是，如果你喂进去的文档本身OCR就是烂的：

• 表格裂了 → 后面的结构化提取全废
• 公式没了 → 数学文档直接变乱码
• 多栏乱序 → 上下文语义彻底打乱
• 手写识别错误 → 填表单、签合同这种场景直接GG
• bounding box不可靠 → 你想做版面分析、要做高亮，基础都没了

那后面再强的模型也只能在脏输入上做高阶推理。

▲ Hugging Face的ML Librarian Daniel van Strien用数据可视化展示了olmOCR榜单的进展：一年前最佳得分才79，现在已经被Chandra OCR 2推到了85.9%。

Chandra OCR 2这次试图解决的，就是这个问题。

它不是那种传统「把页面扫成纯文本」的OCR——它更像一个layout-aware的文档理解模型：

• 不是只识别字
• 而是同时理解整页布局
• 把文本、表格、公式、表单、图片、图表一起纳入处理
• 输出结构化内容，比如Markdown/HTML/JSON/bounding boxes

▲ 开发者Exendes实测反馈：扫描文档、80+语言、低配CPU可跑、输出JSON带bounding boxes。这说明它不是只会在benchmark上刷分的「实验室模型」。

这种结构化输出对工程团队非常关键。

因为它不只是「识别完给你一段字」，而是把结果保留成机器可继续消费、可追溯的结构。你可以直接喂给RAG pipeline，可以接agent workflow，可以用来做版面分析。

但它不是万能的

Vik这次主动讲了已知限制，这点对开发者很重要——因为真正做生产的人最怕的是：官方只吹benchmark，不讲失败边界。

▲ Vik公开承认Chandra OCR 2的已知限制：行号有时会被带入、非常复杂的报纸版式可能会漏掉一些文本。这种透明度对开发者选型很关键。

复杂报纸版式、极难layout仍然是它明说的短板。

但整体来看，这波开源OCR的升级，让那些想把文档处理从昂贵API迁回本地的人，终于有了一个更像样的选择。

▲ 中文技术圈Gorden Sun的转述直接点出：4B参数，评分比dots.ocr-1.5还高。模型链接直接挂在Hugging Face上，开发者可以拿来就试。

文档AI的「第一页」终于没那么容易读错了

这波发布最值得记住的，不是几个benchmark数字。

而是：

文档AI上游最烦人的OCR关卡，又被开源社区往前踹了一大步。

从Surya（布局检测）到Marker（PDF转Markdown），再到Chandra（全页文档理解），Datalab这个团队一直在用开源的方式，把文档处理的基础设施一点点往前推。

这次Chandra OCR 2给出的答案很简单：更小、更便宜、更适合本地部署，但准确率还更高。

对那些正在搭建RAG系统、做agent workflow、处理财务法律文档、扫描多语言档案的工程师来说——

你终于可以在「把所有文档扔给昂贵API」和「忍受烂OCR」之间，找到第三个选项了。

— END —