Datalab · 已发布,本站供应商暂无

Indra OCR(2026):Datalab 的 CPU OCR 模型是什么、读得多快、许可允许什么、怎么运行

Indra OCR 是 Datalab 的开放 OCR 模型,2026 年 10 月 13 日首次发布,用约 100 万参数的识别模型在普通 CPU 上把 PDF 和图片转成 markdown、文本或带框的 JSON,在 Datalab 自己的 OmniParseBench 上得 66.7 分,权重可下载,但修改版 OpenRAIL-M 许可对大公司有限制。

已发布,本站供应商暂无最后更新:

现在就用

聊天

这个聊天默认使用 Qwen3.8 Flash,不是 Indra OCR。

每次回复约 1 积分 · 查看全部模型

新账号一次性获得 5 个免费积分,7 天内有效,可用于本站价格较低的模型,最贵的模型需要用你购买的积分。

开始聊天,送 5 个免费积分
厂商
Datalab
类型
文字
发布
2026-10-13
OpenRouter id
无

已核对

Indra OCR:事实与来源

  • Datalab 的发布文章日期为 2026 年 10 月 13 日,开头写着“Today we’re releasing Indra OCR”,介绍一个围绕 100 万参数识别模型打造的 OCR 软件包。文章作者为 Vik Paruchuri,归在产品更新栏目。文中最初的速度说法是 32 个 CPU 核心每秒 49 页,后来的模型卡用更新的数字取代了它(见下表)。来源: datalab.to · 核对于 2026-11-19
  • Datalab 在 2026 年 10 月 19 日的第二篇文章介绍了 Indra OCR 1.1。文中说 OmniParseBench 总分从 62.3 升到 66.7(开启数学模式从 67.0 升到 71.4),手写测试从 8.3% 升到 25.2%,旋转页面测试从 25.3 升到 50.3。识别器仍是 100 万参数,默认整条流水线约 700 万参数,仍在 CPU 上运行。来源: datalab.to · 核对于 2026-11-19
  • Datalab 的 GitHub 发布页把 Indra OCR 1.1.2 列为最新版本,发布于 2026 年 10 月 20 日。页面说模型与 1.1.0 相同,这次修的是文字层使用旧式印地语字体的数字 PDF:Indra 现在会把文字层的文字系统和页面图像对照,不一致时改用 OCR,这类页面的单词准确率从 0.01–0.20 提升到 0.85–0.89,每页多花约 5 毫秒。来源: github.com · 核对于 2026-11-19
  • Hugging Face 的 API 显示 datalab-to/indra-ocr 仓库创建于 2026 年 10 月 10 日,最后修改于 2026 年 10 月 19 日。这些是仓库日期,分别比 Datalab 两篇文章早三天和同一天。来源: huggingface.co · 核对于 2026-11-19
  • 模型卡称 Indra OCR 是一个可在 CPU 上运行的 100 万参数 OCR 模型。默认模型文件合计约 76 MB(30 MB 网络加 46 MB 用于不确定行的语言模型);主要的拉丁文识别器约 125 万参数,所有默认模型合计 730 万,数学模型另算、可选。它基于 ONNX Runtime,配合 OpenCV 和 pypdfium2,需要 Python 3.10 或更新版本,不用 PyTorch、不用 GPU,在 Linux(x86_64 和 aarch64)和 Apple 芯片的 macOS 上测试过。来源: huggingface.co · 核对于 2026-11-19
  • 输入是 PDF 或图片文件(PNG、JPEG、TIFF、BMP 或 WebP;TIFF 每帧算一页)。输出可以是 markdown(标题、列表,表格为 HTML)、纯文本,或带有每行的框、文字和置信度以及按阅读顺序排列的版面块的 JSON。版面块标签有 Text、Section-Header、Page-Header、Page-Footer、List-Group、Table、Caption、Footnote、Table-Of-Contents 和 Form。对数字 PDF,只要文字层通过检查就直接读取文字层,只对缺失的部分做 OCR。来源: huggingface.co · 核对于 2026-11-19
  • 在没有 GPU 的 AMD EPYC Genoa x86 机器上,每核一个单线程工作进程:Indra OCR 4 核每秒 6.2 页,8 核 11.9 页,16 核 23.7 页,32 核 43.9 页;32 核时 PaddleOCR 的 PP-OCR 文字模型为 4.28,Tesseract 为 2.92。Datalab 补充说吞吐取决于 CPU:在其他 x86 容器类型上,32 核实测每秒 25 到 51 页。来源: huggingface.co · 核对于 2026-11-19
  • 模型卡上的其他数字:在 OmniDocBench v1.5(仅 OCR,1,651 页,Datalab 自己运行、不含公式指标)上,英文页面的文字编辑距离为 0.114,简体中文页面为 0.237(越低越好),表格 TEDS 为 0.47。在 olmOCR-bench 的分项上,页眉页脚 91.2,多栏页面 70.0,长篇小字 67.9,表格测试 60.5,旧扫描件 20.0。来源: huggingface.co · 核对于 2026-11-19
  • Datalab 自己列出了局限。复杂表格(合并单元格、单元格文字换行、嵌套表头、无框线)可能让单元格落入错误的行列。手写能读“但读得不好”:手写测试 25.2%。退化扫描件 29.5%。OCR 名单以外的文字(如叙利亚文、藏文、蒙古文)只能通过数字 PDF 的文字层读取;书面粤语字符不在中文识别器里。不开 --math 时数学公式输出为纯文本,横幅形页面读得差,200 dpi 下超过 1 亿像素的页面会降低渲染分辨率。来源: huggingface.co · 核对于 2026-11-19
  • 代码采用 Apache 2.0;模型权重采用修改版 OpenRAIL-M 许可。模型卡概括为:研究、个人使用以及融资或营收低于 2,000 万美元的创业公司可免费使用,不得与 Datalab 的 API 构成竞争。许可文件中的使用限制写明:如果你所在的组织上一年总收入超过 20,000,000 美元,或累计融资超过 20,000,000 美元,或提供与 Datalab 竞争的产品或服务,则不得为任何目的使用,个人或研究用途除外;商业及更宽的许可通过 Datalab 购买。Hugging Face 的元数据把它标为“openrail”。来源: huggingface.co · 核对于 2026-11-19
  • 权重可从 Hugging Face 免费下载。运行方式:pip install indra-ocr,然后 indra-ocr paper.pdf 在标准输出给出 markdown,--out 每个输入生成一个 .md,--format 选 json 或 text,--mode 选 auto、ocr 或 text,--cores 限制进程数,--math 输出 LaTeX。首次运行会下载模型(约 76 MB)。软件包还带有 Python 接口(indra_ocr.load、conv.convert、convert_many)和本地网页查看器(indra-ocr-viewer,端口 8765),文件留在你自己的机器上。来源: huggingface.co · 核对于 2026-11-19
  • 模型卡把 Datalab 的托管平台(运行 Datalab 更大的 Chandra 模型)推荐给对手写、数学、复杂表格和退化扫描件要求最高准确率的场景,并提供 5 美元免费额度;GitHub 页面说用工作邮箱注册每月约有 5,000 页免费转换。Datalab 的定价页列出 Free 档 0 美元(一次性最高 20 美元免费额度)、Launch 档每月 25 美元、Team 档每月 400 美元,均按各处理器费率计费。我们没有找到 Indra OCR 本身的每页价格,因为权重本身就是免费的部分。来源: datalab.to · 核对于 2026-11-19
  • 2026 年 11 月 19 日,Hugging Face 的 API 显示该仓库有 6,800 次下载、538 个赞和 5 个 Space,其中包括 Datalab 自己的和一个 WebAssembly 版本。这些是 Hugging Face 的计数,不是 Datalab 的说法,每天都会变化。来源: huggingface.co · 核对于 2026-11-19 · 二手
  • Indra OCR 不在 OpenRouter 的模型列表里(2026 年 11 月 19 日核对;列表中没有 Datalab 的模型),所以本站无法运行它。本站是与其他模型(如 Qwen3.8 Flash、Claude Haiku 5.5)的文字聊天。来源: openrouter.ai · 核对于 2026-11-19 · 二手

本站表格

Indra OCR 与 PaddleOCR、Tesseract 对照

  • 在 OmniParseBench(2,937 页上的 16,288 个通过/不通过测试,每个引擎 4 个 vCPU、一次一页)上,模型卡给出 Indra OCR 自动模式的总分 66.7、文字 46.7、表格 61.1、版面 92.2,每页中位耗时 212 毫秒;开启 --math 后为 71.4、62.7、59.6、92.0 和 357 毫秒。PaddleOCR PP-StructureV3 为 58.4、55.6、47.8 和 71.7,中位耗时 40,958 毫秒;Tesseract 5 文字项 19.3。这些是 Datalab 在自己的基准上的数字,我们没有复现。来源: huggingface.co · 核对于 2026-11-19

厂商跑分

Indra OCR 的分数和速度,对照 PaddleOCR 和 Tesseract

搜 Indra OCR 的人,多半只想知道一件事:CPU 上 100 万参数的模型,够不够替换 Tesseract 或 PaddleOCR?按 Datalab 的数字,它比两者快得多,综合分也领先,但并非样样领先:PaddleOCR 完整的 PP-StructureV3 流水线在默认模式下文字读得比 Indra OCR 好(55.6 对 46.7),开启 --math 后才被超过。所有数字都来自 Datalab 自己的基准,不是独立测试。本站无法运行 OCR 引擎,但如果想找个模型和你聊文档内容,见 Qwen3.8 和 Claude Haiku 5.5。

本站自制表格:数字取自 Indra OCR 模型卡(OmniParseBench,每个引擎 4 个 vCPU;吞吐为 32 核 x86 机器上的结果),2026 年 11 月 19 日读取;它们是 Datalab 自己的数字,我们没有复现 · 核对于 2026-11-19
指标Indra OCR(默认)Indra OCR(--math)PaddleOCR PP-StructureV3PaddleOCR PP-OCRv6 small(仅文字)Tesseract 5
OmniParseBench 总分66.771.458.4无总分无总分
文字46.762.755.635.819.3
表格61.159.647.80.00.0
版面92.292.071.7未评分未评分
每页中位耗时(毫秒)21235740,9582,6855,496
32 核每秒页数43.9比默认模式低约 38%至多 0.184.282.92

来源: huggingface.co

本站表格

Indra OCR 在 OmniParseBench 上按文字系统的分数

  • Datalab 称在留出的印刷页面上测了 95 种语言:83 种字符 F1 达到 0.90 或更高,67 种达到 0.95 或更高。四个识别器分别覆盖拉丁文、西里尔文和希腊文;中文、日文和韩文;阿拉伯文、波斯文、乌尔都文、普什图文、库尔德文和希伯来文;以及印度系、东南亚文字、格鲁吉亚文、亚美尼亚文和埃塞俄比亚文,再由一个行分类器把每一行送到其中一个。在文字层模式下,对来自 75 个语系的 1,125 页数字 PDF,每个语系都保留了文字层至少 98% 的字符。来源: huggingface.co · 核对于 2026-11-19

厂商跑分

Indra OCR 部分文字系统的 OmniParseBench 分数及对应的测试数

模型卡提醒,多数文字系统测试数很少,一个测试就会让分数变动 2 到 8 分。测试数少的行(阿拉伯文 13 个、日文假名 19 个)只能当参考,不要当排名。对中文,模型卡还在同样的 136 个测试上拿 Indra OCR 的 64.0 与 PaddleOCR PP-OCRv5 移动版中文文字模型的 65.4、PP-StructureV3 的 68.4 做了比较。

本站自制表格:从 Indra OCR 模型卡上按文字系统列出的分数中挑选,2026 年 11 月 19 日读取;Datalab 自己的数字,我们没有复现 · 核对于 2026-11-19
文字系统分数测试数
拉丁文61.69,406
中文64.0136
韩文79.224
日文假名57.919
阿拉伯文69.213
希伯来文80.030
天城文69.623
泰文87.239

来源: huggingface.co

上线时通知我

登录后点按钮:只保存你的账号和这个模型,不存其他资料。目前还不会发送邮件。

最接近的可用模型

现在可用的 Indra OCR 替代选择

Qwen3.8 Flash

Alibaba

$0.15 / $0.47 (每百万 token)

  • Alibaba 对 qwen3.8-flash 的定价为每百万输入/输出 token 0.15/0.47 美元(新加坡、欧盟、香港和美国区)。来源: docs.qwencloud.com · 核对于 2026-11-13
  • 在 OpenRouter 上的 id 为 qwen/qwen3.8-flash,每百万 token 0.15/0.47 美元。来源: openrouter.ai · 核对于 2026-11-13

$0.10 / $0.50 (每百万 token)

  • Anthropic 的模型页称 Claude Haiku 5.5 于 2026 年 10 月 7 日发布,是最新的 Haiku,2027 年 10 月 7 日前不会退役。Anthropic 的发布文章是同一天。来源: platform.claude.com · 核对于 2026-11-17
  • Anthropic 在发布文章中称 Haiku 5.5 是“我们发布过的最便宜、最快、最强的小模型”,面向高并发、成本敏感的任务,如摘要、压缩、数据库查询和分类,也可作为与 Opus 5.5、Sonnet 5.5 搭配的编程子代理。文章称它是第一个带可调节推理强度(effort)的 Haiku 级模型。来源: anthropic.com · 核对于 2026-11-17
  • Anthropic 的模型页称它面向高并发、对延迟敏感的工作,如分类、路由、提取和子代理任务,并把它的延迟评为当前产品线中最快的“Fastest”(Fable 5.2 和 Opus 5.5 为“Moderate”,Sonnet 5.5 为“Fast”)。来源: platform.claude.com · 核对于 2026-11-17

FAQ

Indra OCR 常见问题

Indra OCR 是什么?

Indra OCR 是 Datalab 的小型 OCR 软件包,读 PDF 和图片,输出 markdown、纯文本,或给每一行打框、给每个版面块打标签的 JSON。它的识别模型约 100 万参数,基于 ONNX Runtime,不需要 GPU,也不需要 PyTorch。模型卡说它的名字取自因陀罗(Indra)。

Indra OCR 有多快、多准?

按 Datalab 自己的数字,32 个 CPU 核心每秒读 43.9 页,4 核每页约 210 毫秒,OmniParseBench 总分 66.7(开启 --math 为 71.4)。PaddleOCR 完整的 PP-StructureV3 为 58.4,每页中位耗时 40,958 毫秒。这些是厂商在自己基准上的数字,不是独立测试。

怎么运行 Indra OCR?

用 pip install indra-ocr 安装,然后运行 indra-ocr paper.pdf 得到 markdown,加 --format json 可得到带框的结果。需要 Python 3.10 或更新版本,首次运行会从 Hugging Face 下载约 76 MB 的模型。另有 Python 接口和本地网页查看器,文件留在你自己的机器上。

Indra OCR 读哪些语言?手写怎么样?

Datalab 说它能在扫描件上读 80 多种语言,从拉丁文、西里尔文到中文、日文、韩文、阿拉伯文、希伯来文、泰文和印度系文字。按它自己的数字,手写偏弱:手写测试只有 25.2%,Datalab 自己也把手写、数学和复杂表格推荐给更大的 Chandra 模型。中文在 136 个测试上得 64.0。

Indra OCR 可以免费商用吗?

只在限制之内。代码是 Apache 2.0,但权重采用修改版 OpenRAIL-M 许可。许可文件禁止上一年收入或累计融资超过 20,000,000 美元的组织使用,也禁止提供与 Datalab 竞争产品的人使用,个人或研究用途除外。基于它做产品之前,请读 LICENSE 文件和 Datalab 的定价页。

Indra OCR 什么时候发布?1.1 是什么?

Datalab 的第一篇文章日期为 2026 年 10 月 13 日。Indra OCR 1.1 在 2026 年 10 月 19 日发布,加入了手写、扫描件上的 80 多种语言和任意角度的页面;Datalab 说总分从 62.3 升到 66.7。最新版本是 2026 年 10 月 20 日的 1.1.2,修复了使用旧式印地语字体的数字 PDF。

能在本站使用 Indra OCR 吗?

不能。Indra OCR 不在 OpenRouter 的模型列表里,本站是与其他模型的文字聊天,没法对你的文件运行 OCR 引擎。如果想找个模型讨论文档内容,在本站,与 Qwen3.8 Flash 的一次典型回复约 1 个积分(一个积分约 $0.01,按 $5 档计算),按真实 token 成本计费,最低 1 个积分。Hy4 Flash 是这里另一个小型聊天模型。

这是 Datalab 的官方网站吗?

不是。本页为非官方页面,与 Datalab 无关,也未获其认可。事实链接到我们读过的页面。