📌 allenai/olmocr – PDF 線性化工具集

olmocr 是一個專為 LLM 數據集訓練而設計的工具集，能將 PDF 及圖像文件轉換為乾淨、可讀的純文本或 Markdown 格式。它能精準處理複雜的排版，包括數學公式、表格、手寫文字以及多欄佈局。

🔍 項目特色

基於 7B 參數的 VLM 模型，能自動剔除頁首頁尾並維持自然閱讀順序。提供高效的轉換性能（每百萬頁成本低於 200 美元），並附帶完整的 olmOCR-Bench 基準測試套件以衡量 OCR 性能。

⭐ 即時人氣

• 18,267 ⭐

🚀 查看 GitHub 專案

📡 來源: GitHub Trending (Daily) | 每週自動追蹤