Pular para o conteúdo
Local AI Wizard
Sua máquina
Tema

chandra-ocr-2

Datalab · datalab-to/chandra-ocr-2

Licença dos pesos: Termos do publicador: OpenRAIL-M (modified, Datalab) · código e componentes podem ter outros termos

Informado pelo publicador51 resultadosFicha de Datalab · lida em 2026-10-25 · sem ranking · ver
Memória necessária~4 GBPesos Q4 + margem, antes da reserva da máquina
Parâmetros5,3 BTotal de safetensors no Hub
Repositório atualizado2026-06-26Um commit não é data de lançamento

Qualidade

Sem score comparável

Ainda não acompanhamos benchmark público e comparável que cubra este modelo. Nenhuma nota é inferida.

Informado pelo publicador

51 resultados · ficha de Datalab · lida em 2026-10-25
ArXiv
86,9olmOCR Benchmark · Own benchmarks
Old Scans Math
89,1olmOCR Benchmark · Own benchmarks
Tables
92,1olmOCR Benchmark · Own benchmarks
Old Scans
51,1olmOCR Benchmark · Own benchmarks
Headers and Footers
91,4olmOCR Benchmark · Own benchmarks
Multi column
82,1olmOCR Benchmark · Own benchmarks
Long tiny text
93,7olmOCR Benchmark · Own benchmarks
Base
99,9olmOCR Benchmark · Own benchmarks
Todos os resultados informados51
ar
68,4%Multilingual Benchmark (43 Languages)
bn
72,8%Multilingual Benchmark (43 Languages)
ca
85,1%Multilingual Benchmark (43 Languages)
cs
85,3%Multilingual Benchmark (43 Languages)
da
91,1%Multilingual Benchmark (43 Languages)
de
94,8%Multilingual Benchmark (43 Languages)
el
85,6%Multilingual Benchmark (43 Languages)
es
89,3%Multilingual Benchmark (43 Languages)
fa
75,1%Multilingual Benchmark (43 Languages)
fi
83,4%Multilingual Benchmark (43 Languages)
fr
93,7%Multilingual Benchmark (43 Languages)
gu
70,8%Multilingual Benchmark (43 Languages)
he
70,4%Multilingual Benchmark (43 Languages)
hi
78,4%Multilingual Benchmark (43 Languages)
hr
90,1%Multilingual Benchmark (43 Languages)
hu
82,1%Multilingual Benchmark (43 Languages)
id
91,6%Multilingual Benchmark (43 Languages)
it
94,1%Multilingual Benchmark (43 Languages)
ja
86,9%Multilingual Benchmark (43 Languages)
jv
73,2%Multilingual Benchmark (43 Languages)
kn
63,2%Multilingual Benchmark (43 Languages)
ko
81,5%Multilingual Benchmark (43 Languages)
la
73,8%Multilingual Benchmark (43 Languages)
ml
64,3%Multilingual Benchmark (43 Languages)
mr
75,0%Multilingual Benchmark (43 Languages)
nl
88,6%Multilingual Benchmark (43 Languages)
no
90,3%Multilingual Benchmark (43 Languages)
pl
91,5%Multilingual Benchmark (43 Languages)
pt
95,2%Multilingual Benchmark (43 Languages)
ro
84,5%Multilingual Benchmark (43 Languages)
ru
85,5%Multilingual Benchmark (43 Languages)
sa
51,1%Multilingual Benchmark (43 Languages)
sr
90,3%Multilingual Benchmark (43 Languages)
sv
92,8%Multilingual Benchmark (43 Languages)
ta
77,7%Multilingual Benchmark (43 Languages)
te
58,6%Multilingual Benchmark (43 Languages)
th
62,6%Multilingual Benchmark (43 Languages)
tr
84,1%Multilingual Benchmark (43 Languages)
uk
91,0%Multilingual Benchmark (43 Languages)
ur
43,2%Multilingual Benchmark (43 Languages)
vi
80,4%Multilingual Benchmark (43 Languages)
zh
88,7%Multilingual Benchmark (43 Languages)
Average
77,8%Multilingual Benchmark (43 Languages)

Valores como impressos na ficha, com a configuração do próprio publicador (seção da ficha: Benchmarks › olmOCR Benchmark; Examples › Multilingual Benchmark (43 Languages)); coluna “Chandra 2”. Não comparáveis entre publicadores e fora de qualquer ranking. Ficha do modelo

Roda em

Cabe na memória rápida 118

A estimativa de planejamento cabe na memória que o modelo usa rápido: a VRAM da placa de vídeo, ou a memória unificada dentro da fatia de GPU do macOS.

Mostrar todos os 118

Na memória, fora da parte rápida 1

Dentro da memória da máquina, fora da parte rápida: na placa de vídeo, as camadas que não cabem rodam na CPU a partir da RAM do PC (a RAM informada, ou 32 GB presumidos); no Mac, acima da fatia de GPU padrão do macOS. Não é um número de velocidade.

Perfis de hardware agrupados pela estimativa de planejamento Q4 em cada máquina (GPUs dedicadas reservam 2 GB; memória unificada e do sistema, 25%, de 2 a 8 GB): cabe na memória rápida, fica na memória mas fora da parte rápida (camadas na RAM do PC, ou acima da fatia de GPU do macOS), ou falta um degrau de memória. Não é compatibilidade nem velocidade medida.

Considere para

Datalab lançou chandra-ocr-2 em 2026-03: um modelo de visão e linguagem que responde sobre imagens, com 5,3B parâmetros pela contagem do Hugging Face e licença Termos do publicador: OpenRAIL-M (modified, Datalab). Idiomas declarados pelo publicador: 90+ idiomas.

Confira antes

Licença: uso comercial sem resposta (esta licença ainda não foi revisada quanto a uso comercial). Em Q4 os pesos somam cerca de 4 GB antes da reserva de cada máquina; resolução da imagem, quadros de vídeo e contexto somam memória, e o encoder visual precisa de suporte no runtime escolhido.

Velocidade medida

Nenhuma medição publicada para este checkpoint

Tokens por segundo só aparecem quando uma fonte os publica com hardware, build e configuração. Nunca são estimados.

Como rodar

Compatibilidade de runtime e tokens por segundo não foram medidos para este registro. Metadados publicados e estimativa de memória não comprovam uma execução local.

Biblioteca na fonte: transformers

Formas documentadas de rodar

Copiado como aparece na fonte vinculada (lida em 2026-10-18); não executado por este site.

Transformers · ficha do modelo · With HuggingFace Transformers
from transformers import AutoModelForImageTextToText, AutoProcessor
from chandra.model.hf import generate_hf
from chandra.model.schema import BatchInputItem
from chandra.output import parse_markdown
from PIL import Image
import torch

model = AutoModelForImageTextToText.from_pretrained(
    "datalab-to/chandra-ocr-2",
    dtype=torch.bfloat16,
    device_map="auto",
)
model.eval()
model.processor = AutoProcessor.from_pretrained("datalab-to/chandra-ocr-2")
model.processor.tokenizer.padding_side = "left"

batch = [
    BatchInputItem(
        image=Image.open("document.png"),
        prompt_type="ocr_layout"
    )
]

result = generate_hf(batch, model)[0]
markdown = parse_markdown(result.raw)
print(markdown)
Chandra OCR · ficha do modelo · Quickstart
pip install chandra-ocr

# With vLLM (recommended, easy install)
chandra_vllm
chandra input.pdf ./output

# With HuggingFace (requires torch)
pip install chandra-ocr[hf]
chandra input.pdf ./output --method hf

Escolher meu computador

Detalhes técnicos

O que a fonte e o catálogo guardam deste checkpoint. Campos ausentes ficam de fora, nunca como zero.

Checkpoint / fonte
datalab-to/chandra-ocr-2
Tarefa
image-text-to-text
Arquitetura
Qwen3_5ForConditionalGeneration
Biblioteca na fonte
transformers
Licença dos pesos
Termos do publicador: OpenRAIL-M (modified, Datalab)chandra-ocr-2 LICENSE: AI Pubs Open RAIL-M License (Modified) (Hugging Face) · consultado em 2026-10-18fonte
Uso comercial
Esta licença ainda não foi revisada quanto a uso comercial
Idiomas
90+ idiomas Declaração do publicador · consultado em 2026-10-18fonte
Lançamento
Chandra README news (GitHub, Datalab) · consultado em 2026-10-18fonte
Todos os campos guardados12 campos
Revisão conferida
af93b47dba1b47b6640c86ccf487ed2260ab9a09
Arquitetura
Qwen3_5ForConditionalGeneration
Biblioteca
transformers
Tag de tarefa no Hub
image-text-to-text
Formatos
transformers, safetensors
Acesso
Download aberto
Tipo de publicador
Oficial
Parâmetros no Hub
5.295.564.288safetensors.total
Repositório criado
2026-03-16criação não é o lançamento do modelo
Repositório atualizado
2026-06-26um commit não é data de lançamento
Downloads no Hub (30 dias) · curtidas
1.353.287 · 576só este repositório · lido em 2026-10-25
Estado no catálogo
Config ou pesos encontrados no Hub; sem vínculo de benchmark no inventário

Fontes

Identidade e especificações publicadas vêm da página do checkpoint. As notas pertencem à rodada indicada e não medem velocidade no seu computador.

Fatos curados verificados: 2026-10-18. A licença e a data de lançamento citam as fontes do publicador; parâmetros, arquivos e tarefa vêm do registro do Hugging Face, e a memória é uma estimativa rotulada a partir da contagem de parâmetros. Um valor que nenhuma fonte informa fica vazio; um commit do repositório não é a data de lançamento do modelo.