Chandra 2 OCR 모델 한국어 점수와 가중치 라이선스

Chandra 2 OCR의 한국어 점수는 81.5%입니다. 이전 버전 Chandra 1의 82.3%보다 내려갔고, 버전이 올라가며 점수가 뒷걸음질한 언어는 42개 중 다섯뿐입니다.

가중치는 한 파일 10.59GB이고, 라이선스는 코드와 다릅니다. 저장소 코드는 Apache 2.0, 가중치는 수정된 OpenRAIL-M입니다.

PDF를 레이아웃째 마크다운·HTML·JSON으로 뽑습니다

Chandra는 이미지와 PDF를 넣으면 레이아웃 정보를 살린 HTML, 마크다운, JSON으로 바꿔 주는 OCR 모델입니다. 파일 하나마다 출력 디렉터리 밑에 하위 폴더가 생기고, 그 안에 .md, .html, _metadata.json, 그리고 문서에서 떼어낸 이미지가 함께 놓입니다.

다루는 대상이 평범한 본문 텍스트만은 아닙니다. 표와 수식, 손글씨, 체크박스가 들어간 폼 복원까지 범위에 들어가고 지원 언어는 90개가 넘습니다. 문서 안의 그림과 다이어그램은 따로 뽑아 캡션과 구조화 데이터를 붙입니다.

추론 방식은 두 갈래입니다. 로컬에서 HuggingFace 모델을 직접 올리는 쪽과, vLLM 서버를 띄워 놓고 붙는 쪽. CLI 기본 배치 크기가 vLLM 28쪽, HuggingFace 1쪽으로 다른데 이 숫자가 두 방식의 용도 차이를 그대로 보여 줍니다. 한 장씩 처리하는

로컬 방식은 확인용이고, 문서를 쌓아 놓고 돌리려면 vLLM 쪽입니다.

처리량은 저장소에 실린 저자 측정치가 기준입니다. H100 80GB 한 장에 vLLM, 동시 시퀀스 96 조건에서 초당 1.44쪽, 평균 지연 60초, P95 156초, 실패율 0%. 저자는 측정에 쓴 문서 세트가 실사용보다 상당히 느리다고 보고 실사용은 초당 2쪽으로 추정했습니다.

10.59GB 한 파일, pip 한 줄로는 부족합니다

설치 명령은 pip install chandra-ocr 한 줄이지만 그것만으로 모델이 돌지는 않습니다. 로컬 추론에 필요한 torch와 transformers는 PyPI 패키지의 [hf] 추가 항목에 들어 있어서, 기본 설치본으로 --method hf를 부르면 그 자리에서 멈춥니다.

macOS(Darwin 24.4.0), Python 3.13, chandra-ocr 0.2.0으로 2026년 8월 10일에 새 가상환경을 만들어 기본 설치만 하고 실행한 결과입니다.

$ pip install chandra-ocr
$ chandra /tmp/t.pdf /tmp/chandra-out --method hf
...
  File "/private/tmp/chandra-test/lib/python3.13/site-packages/chandra/model/hf.py", line 78, in load_model
    raise ImportError(
ImportError: HuggingFace backend requires additional dependencies.
Install with: pip install chandra-ocr[hf]

기본 설치본은 72MB이고 torch가 들어 있지 않습니다. 여기 담긴 것은 CLI와 PDF 분해기, vLLM 서버에 붙는 OpenAI 호환 클라이언트까지입니다. 로컬에서 모델을 올리려면 pip install chandra-ocr[hf]로 다시 받아야 하고, Python은 3.10 이상이어야 합니다.

Chandra 2 OCR 가중치는 그다음 문제입니다. HuggingFace 모델 저장소의 model.safetensors가 한 파일 10.59GB이고, CLI 기본 체크포인트도 이 저장소를 가리킵니다. config를 열면 model_type이 qwen3_5, 아키텍처는 Qwen3_5ForConditionalGeneration, 은닉 차원 2560에 32층, 어텐션 헤드 16, max_position_embeddings는 262,144입니다. 저장소 Credits에도 Qwen 3.5가 올라 있습니다.

받는 사람이 적지는 않습니다. 모델 저장소 다운로드가 2,766,300에 좋아요 471, GitHub 저장소는 스타 12,022, 포크 1,228, 열린 이슈 57입니다. 다만 최신 릴리스 v0.2.0이 2026년 3월 18일자이고 마지막 푸시가 2026년 6월 26일이라, 8월 기준으로 두 달 가까이 조용합니다.

벤치마크 1위 줄은 받아서 돌릴 수 없습니다

olmOCR 벤치마크 표의 종합 점수에서 맨 위는 Datalab API 86.7 ± 0.8이고 Chandra 2는 85.8 ± 0.8로 두 번째입니다. 맨 윗줄은 다운로드 대상이 아닙니다. 회사가 운영하는 관리형 API이고, 거기서 도는 것은 공개 가중치와 같은 물건이 아닙니다.

이 대목은 회사가 스스로 적어 두었습니다. 관리형 플랫폼이 오픈 가중치보다 정확도가 높은 개선된 Chandra를 돌린다고 저장소 문서에 나와 있습니다. 무보존 기본값과 SOC 2 Type 2도 그 플랫폼 쪽 조건입니다. 표만 훑고 1위 줄을 받아 쓸 생각을 하면 어긋납니다.

받을 수 있는 가중치가 1등인 칸도 있습니다. 표(Tables) 92.1과 작은 글씨가 길게 이어지는 항목(Long tiny text) 93.7은 Chandra 2가 표 전체에서 가장 높습니다. 그 아래로 dots.ocr 1.5가 83.9, Chandra 1이 83.1 ± 0.9, olmOCR 2가 82.4로 이어집니다.

표에는 출처 열이 붙어 있는데 Datalab API와 Chandra 계열 행은 모두 자체 측정입니다. olmOCR과 dots.ocr 행은 각 저장소에서 가져온 값입니다. 같은 표 안에서 측정 주체가 섞여 있으니, 1위와 2위 사이 0.9점 차이를 그대로 순위로 읽기는 어렵습니다.

한국어는 42개 언어 중 예외 쪽에 있습니다

한국어 점수는 다국어 벤치마크 표에서 Chandra 2가 81.5%, Chandra 1이 82.3%입니다. 버전이 올라가면서 내려갔습니다. 표에 오른 42개 언어를 다 세어 보면 이렇게 뒷걸음질한 언어는 다섯 개뿐이고, 헝가리어와 자바어, 러시아어, 베트남어와 함께 한국어가 거기 있습니다.

Gemini 2.5 Flash와 견주면 순서가 뒤집힙니다. 42개 평균은 Chandra 2가 77.8%, Gemini 2.5 Flash가 67.6%로 열 점 넘게 벌어지는데, 한국어만 떼면 81.5% 대 84.8%가 됩니다. Chandra 2가 Gemini에 진 언어는 열 개이고 한국어가 그중 하나입니다.

두 조건에 동시에 걸리는 언어는 넷입니다. 헝가리어, 자바어, 한국어, 베트남어. 이전 버전보다 내려갔으면서 Gemini에도 지는 조합이라, 평균만 보고 고르면 이 넷은 예상이 빗나갑니다. 같은 표에서 CJK 세 언어만 뽑으면 위치가 분명해집니다.

언어	Datalab API	Chandra 2	Chandra 1	Gemini 2.5 Flash
한국어	89.1%	81.5%	82.3%	84.8%
일본어	87.3%	86.9%	85.4%	80.0%
중국어	87.8%	88.7%	88.3%	70.0%

같은 CJK 안에서도 한국어만 아래에 있습니다. 일본어와 중국어는 Chandra 1보다 올랐고 Gemini도 크게 앞서는데, 한국어는 둘 다 해당되지 않습니다. Chandra 2 점수로 42개 언어를 줄 세우면 한국어는 25위입니다. 90개 언어까지 넓힌 평가에서는 Chandra 2 72.7% 대 Gemini 2.5 Flash 60.8%로 다시 벌어지지만, 그 평균 안에 한국어의 자리가 담기지는 않습니다.

코드는 Apache 2.0, 가중치는 아닙니다

저장소 코드는 Apache 2.0이고 GitHub 라이선스 표시도 Apache-2.0입니다. 가중치는 다릅니다. 수정된 OpenRAIL-M이 붙어 있고, HuggingFace 모델 카드의 라이선스 항목도 openrail입니다.

OpenRAIL 계열은 가중치를 공개하면서 용도에 제한을 거는 형식입니다. 이름에 오픈이 들어가도 Apache 2.0처럼 용도를 묻지 않는 라이선스와는 다른 계약입니다. Datalab은 여기에 매출 기준과 경쟁 금지 조항을 더 얹었습니다.

무료로 쓸 수 있는 범위는 저장소 라이선스 항목에 적힌 대로 연구, 개인 사용, 자금이나 매출이 200만 달러 미만인 스타트업입니다. 조건이 하나 더 붙습니다. 자사 API와 경쟁적으로 쓸 수 없습니다. 조건을 없애려면 별도 상업 라이선스가 필요하고, 상업적 자체 호스팅에도 라이선스가 요구됩니다.

실무에서 걸리는 자리는 두 곳입니다. Chandra 2 OCR을 사내 문서 파이프라인에 넣는 경우와, OCR 결과를 상품의 일부로 파는 경우. 앞쪽은 회사 규모가 200만 달러 선 위인지에 따라 답이 달라지고, 뒤쪽은 규모와 무관하게 경쟁 조항을 먼저 읽어야 합니다. 코드가 Apache 2.0이라는 사실은 이 판단에 쓸모가 없습니다. 받아서 돌리는 것은 가중치이기 때문입니다.

쓸지 말지는 매출 규모와 언어에서 결정됩니다

표와 작은 글씨가 많은 영문 문서라면 받아서 돌릴 값이 나옵니다. 한국어 문서가 주력이면 평균 대신 42개 언어 표의 한국어 행을 보고, 상업적 자체 호스팅이라면 매출 200만 달러 기준선과 경쟁 금지 조항을 먼저 확인하세요.

한국어 81.5%가 어떤 문서로 나온 값인지, 인쇄물과 손글씨 중 어디서 깎였는지는 공개된 벤치마크 표에 없습니다. 상업 라이선스 비용도 확인하지 않았고, 10.59GB 가중치를 받아 한글 문서로 돌려 본 결과도 아닙니다.

손에 있는 한글 PDF 두어 장으로 vLLM 서버를 띄워 표와 손글씨부터 재 보는 것이 첫 단계입니다.

모델 카드에서 라이선스 원문 보기

출처: datalab-to/chandra 저장소, chandra-ocr-2 모델 카드