Chandra 2：先选报告中的几页，再把公式和正文留成可编辑文件

一份几百页报告，真正需要整理的可能只有其中的技术附录。Chandra 2的实用入口，是先选页，再把正文、公式和图像整理为可以继续编辑的材料。它支持图像与PDF，输出不止一段聊天答案。

官方README介绍的是2026年发布的Chandra 2；Datalab托管平台使用改进模型和其他组件，不能把平台宣传的能力与开放权重完全画等号。这里沿本地CLI及实际保存逻辑解释交付物，未运行模型。

先处理需要的页面

CLI的--page-range可以指定如1-5,7,9-12的范围。对技术编辑，先取正文里的方法与附录，或单独处理几页公式密集材料，比一开始转换整份文件更容易核对输入和结果。

默认推理方式是vLLM服务；选择--method hf则走本地Hugging Face模型。前者需要先准备服务，后者要安装相应训练框架依赖。命令很短，并不意味着机器无需权重、算力和环境准备。

图源：Datalab官方README中的Chinese Math样例。原页里的正文和公式被分别标注，右侧重新呈现标题、作者与数学表达；这是官方展示，未由本文运行或验证每个符号。

这张对照图说明，任务不只是认出一串汉字。正文顺序、公式的位置和表达方式，都影响转换后能否继续阅读。实际整理时，可以先看某个定义前后的段落是否连贯，再对照分式、上下标与括号；版面看起来干净，仍不代表数学含义完全相同。

保存源码为每个输入文件建立子目录，合并各页生成.md与.html，另写_metadata.json。元信息记录页面数量、token、内容块和图片数量；抽出的图片也保存在对应目录。

Markdown便于接笔记和文本处理；HTML保留另一种展示结构；元信息则帮助追查本轮究竟处理了多少材料。默认不插入显式页间分隔，需要时可开启对应选项。不要在合并之后丢掉原文件与选页记录，否则一段文字仍很难回到来源。

源码中的page_num按返回结果从零枚举。只处理PDF中间几页时，不能直接把这个数字当作原文件印刷页码。保留页码映射，是应用将转换结果接进引用系统时需要补上的一步。

代码采用Apache-2.0，Chandra 2权重使用修改版OpenRAIL-M。除用途限制外，上一年总营收或累计融资任一超过200万美元的情形、与许可方竞争的产品用途，都有相应限制；模型与输出还涉及署名、同许可等条款。不能只凭代码仓库的Apache标签判断整条商业交付路径。

对选页整理任务，它留下的是能继续编辑的文档材料。先把一小段真实需要使用的内容转换清楚，保留来源、选页范围和各类输出，再决定是否扩大到整批资料。