开源推荐
morning
GitHub 热门项目: olmocr
摘要
GitHub项目：olmocr 仓库地址：https://github。
allenai
and
olmocr
https
olmOCR
2026-05-20
1 阅读
GitHub Trending
GitHub 项目：olmocr
仓库地址：https://github.com/allenai/olmocr
星级：17328 | 作者：阿勒奈
项目描述：LLM数据集/训练的PDF线性化工具包
===================================================
自述文件内容：
<小时/>
用于将 PDF 和其他基于图像的文档格式转换为干净、可读的纯文本格式的工具包。
尝试在线演示：[https://olmocr.allenai.org/](https://olmocr.allenai.org/)
特点：
- 将基于 PDF、PNG 和 JPEG 的文档转换为干净的 Markdown
- 支持方程式、表格、手写和复杂格式
- 自动删除页眉和页脚
- 转换为具有自然阅读顺序的文本，即使存在
图形、多列布局和插图
- 高效，每百万页转换成本低于 200 美元
-（基于7B参数VLM，因此需要GPU）
### 新闻
- 2025 年 10 月 21 日 - v0.4.0 - [新模型发布](https://huggingface.co/allenai/olmOCR-2-7B-1025-FP8)，使用合成数据将 olmOCR-bench 得分提高约 4 分，并引入 RL 训练。
- 2025 年 8 月 13 日 - v0.3.0 - [新模型发布](https://huggingface.co/allenai/olmOCR-7B-0825-FP8)，修复了自动旋转检测和空白文档上的幻觉。
- 2025 年 7 月 24 日 - v0.2.1 - [新模型发布](https://huggingface.co/allenai/olmOCR-7B-0725-FP8)，在 [olmOCR-Bench](https://github.com/allenai/olmocr/tree/main/olmocr/bench) 上得分高出 3 分，运行速度也明显更快，因为它是默认的 FP8，并且每次需要的重试次数要少得多文档。
- 2025 年 7 月 23 日 - v0.2.0 - 新清理的[训练器代码](https://github.com/allenai/olmocr/tree/main/olmocr/train)，使自己训练 olmOCR 模型变得更加简单。
- 2025 年 6 月 17 日 - v0.1.75 - 从 sglang 切换到基于 vllm 的推理管道，将 docker 映像更新到 CUDA 12.8。
- 2025 年 5 月 23 日 - v0.1.70 - 官方 docker 支持和镜像现已推出！ [查看 Docker 用法](#using-docker)
- 2025 年 5 月 19 日 - v0.1.68 - [olmOCR-Bench](https://github.com/allenai/olmocr/tree/main/olmocr/bench) 发布，得分 77.4。由于提示错误修复，olmOCR 管道的性能提升了 2 点。
-M