olmocr

收录理由

把PDF喂给大模型训练管线，最头疼的往往不是识别本身，而是版面：扫描件里埋着正文、多栏排版打乱顺序、页眉页脚反复出现。olmOCR 在自备 GPU 上跑一个 7B 参数的视觉语言模型，把 PDF、PNG、JPEG 转成干净的 Markdown，遇到图表、表格、公式、手写内容也能维持自然的阅读顺序，同时自动去掉页眉页脚。它不按调用次数收费，百万页的转换成本大约在 200 美元以内，所以批量处理——比如搭建训练语料库、把旧档案数字化——在预算上完全可行。项目还附带一个包含数千份文档的基准测试集，切换工具前可以先拿它和其他 OCR 方案对比效果。对于需要大量干净文档文本、又不想按页付费的团队，这是个很实在的自托管选择。