AllenAI发布PDF转文本工具olmOCR

原标题：allenai/olmocr

TL;DR · 一句话结论

AllenAI推出olmOCR，基于7B视觉语言模型，高效将PDF转为Markdown，支持方程式、表格、手写，并自带基准测试。最新v0.4.0通过合成数据和RL训练提升约4分。

GGitHub Trending Daily RSS约 2 分钟阅读↗ 查看原文

主要内容

训练大语言模型需要大量高质量文本，但PDF格式复杂（多栏、表格、手写等）导致提取困难。olmOCR是AllenAI开发的专用工具，利用Qwen2.5-VL等视觉语言模型进行端到端线性化，并附带7000+测试用例的基准套件。

对于需要构建PDF语料库的AI团队，olmOCR提供了价格低廉、效果领先的解决方案。其开源性质允许自定义训练，基准表现超越Mistral OCR等商业API，尤其适合学术论文、古籍扫描等复杂文档。

🇨🇳

对中国用户与市场

国内用户可直接使用GitHub源码或Docker部署，但需注意：模型需GPU（如4090），下载约30GB；部分依赖（如poppler）需Linux环境；中文文档支持未在概览中特别说明，需自行测试。支持的推理提供商（如DeepInfra）可能网络受限。

⚠尚未确定的部分

→可采取的行动

#AllenAI#olmOCR#Qwen2.5-VL#vLLM#DeepInfra#Cirrascale#Parasail#PDF转文本#OCR#开源工具

🤖 本文根据 GitHub Trending Daily RSS 的 RSS 内容整理，并由 AI 辅助提炼要点。完整上下文请以原文为准。