olmocr

olmocr 是一个面向大语言模型（LLM）数据集构建与训练的 PDF 文档线性化工具包，将扫描版 PDF、PNG、JPEG 等图像型文档精准转换为保持语义结构的 Markdown 或纯文本。其核心基于多模态大模型（VLM），支持复杂排版（多栏、图文混排）、数学公式、表格、手写体识别及自动页眉页脚剔除，并按自然阅读顺序重建文本流。适用于学术文献处理、知识库构建、PDF 大模型预训练语料清洗等需高保真文档结构还原的场景。