olmOCR：开源的PDF文档转换工具，精准提取文本、表格与公式

olmOCR是由 Allen Institute for AI 开发的开源工具，旨在高效、准确地将PDF文档转换为结构化的纯文本格式。它结合了文档锚定（document-anchoring）技术和先进的视觉语言模型（VLM），能够处理多种类型的PDF文档，包括学术论文、书籍、表格、图表和手写内容。

1、高效文档转换：

olmOCR 能够将 PDF 文档转换为干净的结构化纯文本，同时保留文档的结构化内容，如章节、表格、列表和公式。

2、支持多种文档类型：

适用于不同领域的 PDF 文档，包括学术论文、法律文件、宣传册、图表和扫描文档。

3、文档锚定技术：

通过提取文档中的文本块和图像位置信息，与原始文本结合形成提示（prompt），显著提高内容提取的准确性和结构化信息的保留。

4、大规模处理能力：

优化了推理流程，支持从单个文档到百万级页面的批量处理，处理成本极低（每百万页仅需 190 美元），远低于其他商业解决方案。

5、开源与可扩展性：

所有组件（包括模型权重、数据和训练代码）均已开源，支持多种推理框架（如 vLLM 和 SGLang），便于用户扩展和定制。

6、鲁棒性增强：

自动处理提取失败或重复生成的问题，自动检测页面方向并进行旋转校正，确保内容正确提取。

7、低成本与高性能：

olmOCR 的处理成本仅为 GPT-4o 的 1/32，并且在大规模并行处理时表现出色，能够灵活扩展到不同硬件配置。