chandra

Dokumente in saubere, strukturierte Daten zu verwandeln, gehört zu den ältesten ungelösten Problemen der Softwarewelt. Klassische OCR-Engines lesen Zeichen auf sauberen Scans zwar passabel, scheitern aber an genau dem, was am meisten zählt: mehrspaltige Layouts, dichte Tabellen, Formulare mit Checkboxen, Handschrift und mathematische Notation. chandra vom Team bei datalab-to setzt genau an dieser unübersichtlichen Mitte an. Statt Text nur abzutippen, will das Modell die Struktur eines Dokuments rekonstruieren und als Markdown, HTML oder JSON samt Layout-Informationen ausgeben. Es ist für anspruchsvolle OCR- und Layout-Extraktion gedacht, bei der nicht ein grober Textauswurf das Ziel ist, sondern eine getreue, maschinenlesbare Version der Originalseite, der nachgelagerte Systeme tatsächlich vertrauen können.

chandra ist als Vision-Language-Modell auf Basis der Qwen-3-VL-Familie feinjustiert, nicht als klassische mehrstufige OCR-Pipeline. Statt getrennte Schritte für Erkennung, Texterfassung und Tabellen-Parsing aneinanderzureihen, verarbeitet es eine ganze Seite in einem Durchgang: Es erkennt Inhaltstypen, bewahrt Tabellenstrukturen, rekonstruiert Formulare, extrahiert und beschriftet eingebettete Bilder und behandelt Handschrift und Formeln in einem Rutsch. Genau dieses Single-Model-Design macht es besonders, weil Layout-Entscheidungen und Textlesung sich gegenseitig beeinflussen, statt nachträglich zusammengesetzt zu werden. Es lässt sich auf zwei Wegen nutzen. Lokal liegen die Gewichte auf HuggingFace, und das CLI verarbeitet ein PDF oder Bild in einen Ausgabeordner; für höheren Durchsatz dient ein vLLM-Server als Backend. Alternativ bietet Datalab eine gehostete API für alle, die nicht selbst betreiben wollen.

Die natürliche Zielgruppe sind Teams mit ernsthafter Dokumentenverarbeitung: Archive digitalisieren, Rechnungen und Formulare auslesen, Retrieval-Pipelines über gescannte Berichte bauen oder Tabellen aus Finanz- und Wissenschafts-PDFs extrahieren. Die Breite hilft dabei. chandra deckt Tabellen, Formulare, Handschrift und über 90 Sprachen ab und passt damit zu gemischten Praxis-Beständen statt zu nur einer engen Dokumentklasse. Wer bereits die früheren Datalab-Projekte Marker und Surya nutzt, findet hier einen vertrauten Schritt nach oben für schwierigere Seiten. Forschende und Startups können das Modell lokal auf einer GPU laufen lassen und so Daten im Haus behalten, was bei sensiblen Unterlagen wichtig ist. Wer strukturiertes Markdown oder JSON braucht, um es in ein RAG-System, eine Datenbank oder einen LLM-Workflow zu speisen, ist genau richtig, besonders wenn Layout-Treue und nicht nur reiner Text das Ergebnis sein soll.

Die Einschränkungen sind real und vor einer Einführung abzuwägen. Die größte betrifft die Lizenz: Der Code steht unter Apache-2.0, die Modellgewichte aber unter einer Modified-OpenRAIL-M-Lizenz, die nur für Forschung, private Nutzung und Startups unterhalb einer 2-Millionen-Dollar-Schwelle kostenfrei ist und eine Bedingung gegen Konkurrenz zu Datalabs eigener API enthält. Das ist Open Weight, nicht OSI-offen, kommerzielle Teams müssen die Bedingungen also genau lesen. Zweitens setzt lokale Nutzung faktisch eine GPU voraus; auf einer Laptop-CPU läuft das nicht komfortabel, und ernsthafter Durchsatz hängt an einem vLLM-Setup. Drittens sind die Benchmark-Angaben zwar auf dem Papier stark, aber vom Projekt selbst berichtet, sodass eine unabhängige Prüfung am eigenen Dokumentenmix sinnvoll ist. Die reale Genauigkeit schwankt zudem mit Komplexität und Zustand der Dokumente.

Gegenüber der kommerziellen Alternative, der Datalab API, ist chandra weniger ein kostenloser Ersatz als vielmehr die Open-Weight-Engine hinter einem bezahlten Dienst, wobei die gehostete Variante Hosting, höhere Genauigkeit, keine Datenspeicherung und SOC-2-Konformität für Teams ergänzt, die das brauchen. Diese Einordnung sollte die Entscheidung leiten. chandra passt gut, wenn GPU-Kapazität vorhanden ist und man Kontrolle und On-Premise-Datenhaltung will, oder wenn man unter die Lizenz fällt und breite, strukturbewusste Digitalisierung braucht. Zu früh oder schlicht der falsche Weg ist es für kommerzielle Eigennutzung oberhalb der 2-Millionen-Dollar-Schwelle ohne Prüfung der Modelllizenz und für alle, die ein reibungsloses CPU-Tool oder eine garantiert OSI-offene Abhängigkeit suchen. Getragen von einem erfahrenen Team ist es glaubwürdig und leistungsfähig, doch die Lizenz, nicht die Technik, ist der entscheidende Faktor.