应用介绍
一份扫描版论文，公式、表格、双栏排版挤在一起，复制出来不是乱码就是顺序错乱，想拿去喂大模型或者做资料库，光整理就要耗掉半天。olmOCR 是 Ai2 开源的文档转换工具包，用一个 70 亿参数的视觉语言模型把 PDF、PNG、JPEG 直接转成干净的 Markdown 文本，按自然阅读顺序排好，图、多栏和插页里的内容也不会串行。
它对难啃的内容下了功夫：公式、表格、手写体和复杂版式都能识别，页眉页脚自动去掉。官方给出的成本不到每百万页 200 美元，适合成批处理大量文档；项目还附带 olmOCR-Bench 评测集，一千四百份文档、七千多个测试用例，拿来对比不同 OCR 方案。
多格式输入：PDF、PNG、JPEG 的文档图片都能转，输出统一的 Markdown。
复杂内容识别：方程、表格、手写和复杂排版照常识别，页眉页脚自动剔除，不会混进正文。
阅读顺序还原：有插图、多栏或插页时，文字仍按人读的顺序排好。
批量与集群：基于 vLLM 推理，可以在单张 GPU 上跑，也能接外部推理服务，或用 S3 工作队列在多节点上并行转换大量 PDF；官方还提供 Docker 镜像。
评测与训练：自带 olmOCR-Bench 基准，并开放了训练代码，想自己训练 olmOCR 模型也有现成的流程。
运行要求：模型基于 7B 视觉语言模型，需要 NVIDIA GPU；Python 包，Apache-2.0 开源。官网另有在线演示可以先试效果。
它对难啃的内容下了功夫：公式、表格、手写体和复杂版式都能识别，页眉页脚自动去掉。官方给出的成本不到每百万页 200 美元，适合成批处理大量文档；项目还附带 olmOCR-Bench 评测集，一千四百份文档、七千多个测试用例，拿来对比不同 OCR 方案。
软件功能
多格式输入：PDF、PNG、JPEG 的文档图片都能转，输出统一的 Markdown。
复杂内容识别：方程、表格、手写和复杂排版照常识别，页眉页脚自动剔除，不会混进正文。
阅读顺序还原：有插图、多栏或插页时，文字仍按人读的顺序排好。
批量与集群：基于 vLLM 推理，可以在单张 GPU 上跑，也能接外部推理服务，或用 S3 工作队列在多节点上并行转换大量 PDF；官方还提供 Docker 镜像。
评测与训练：自带 olmOCR-Bench 基准，并开放了训练代码，想自己训练 olmOCR 模型也有现成的流程。
运行要求：模型基于 7B 视觉语言模型，需要 NVIDIA GPU；Python 包，Apache-2.0 开源。官网另有在线演示可以先试效果。
