Chandra — когда обычный OCR уже недостаточно

Представьте: вам нужно оцифровать стопку договоров с рукописными пометками, научные статьи с формулами или бухгалтерские отчеты с таблицами. Обычные OCR-решения либо теряют структуру, либо делают столько ошибок, что проще набрать текст вручную. Именно эту проблему решает Chandra — OCR нового поколения, который не просто распознает текст, а сохраняет всю логику документа.

Что это за зверь и кому он нужен?

Chandra — это open-source модель для оптического распознавания текста, которая умеет:

Работать с PDF, изображениями и даже фотографиями документов
Сохранять исходную структуру (таблицы, колонки, формулы)
Распознавать рукописный текст и отметки в формах
Экспортировать результат в Markdown, HTML или JSON с метаданными

Проект особенно пригодится:

Юристам и бухгалтерам для обработки сканированных договоров
Исследователям, работающим с научными статьями
Разработчикам, которым нужно «скормить» документы в ИИ-модели
Архивариусам и историкам, оцифровывающим старые документы

Топ-5 причин попробовать Chandra прямо сейчас

Настоящая работа с таблицами В отличие от большинства OCR, которые превращают таблицы в бессвязный текст, Chandra сохраняет структуру. Проверьте на примере 10K Filing — результат выглядит так, будто документ набирали вручную.
Рукописный текст — не проблема Модель справляется даже с неразборчивыми медицинскими записями. Взгляните на образец врачебного почерка — Chandra корректно распознает 9 из 10 слов.
Формы и чекбоксы на ура Автоматизируйте обработку анкет: система распознает не только текст, но и галочки в квадратиках. Тестовый пример арендного договора говорит сам за себя.
Математика как родная Формулы, графики, геометрические схемы — Chandra выдает их в структурированном виде. Для преподавателей и студентов это настоящая находка (см. пример домашней работы).
40+ языков в одном флаконе От английского до хинди — модель поддерживает большинство популярных языков без дополнительных настроек.

Техническая кухня

Под капотом Chandra использует:

Собственную модель на базе трансформеров
Два режима работы: локальный (через HuggingFace) и серверный (vLLM)
Оптимизацию через Flash Attention для ускорения обработки

Для работы достаточно Python 3.8+ и видеокарты с 8+ GB памяти (можно запустить и на CPU, но медленнее).

# Быстрый старт
pip install chandra-ocr
chandra input.pdf ./output --method hf

Для серьезных объемов разработчики рекомендуют использовать vLLM-сервер, который запускается одной командой:

chandra_vllm

Где это можно применить уже сегодня?

Автоматизация документооборота: преобразуйте кипу бумаг в структурированную базу данных за пару команд
Обработка научных статей: извлекайте формулы и схемы для дальнейшего анализа
Цифровизация архивов: оцифруйте старые газеты или книги с сохранением оригинального макета
Образовательные проекты: превратите рукописные конспекты в аккуратные электронные заметки

Вердикт

Chandra — это серьезный шаг вперед в области OCR. Если вам надоело возиться с кривыми таблицами или тратить часы на расшифровку рукописных заметок, стоит попробовать этот инструмент. Для первых экспериментов даже не нужно ничего устанавливать — воспользуйтесь онлайн-демо.

Проект особенно понравится:

Разработчикам, которым нужен качественный OCR для своих продуктов
Командам, автоматизирующим документооборот
Исследователям, работающим с неструктурированными данными

P.S. По нашим тестам, Chandra обходит даже GPT-4o в точности распознавания сложных документов. Хотите убедиться сами? Вот полная таблица benchmark.