OlmOCR 是 OPENDATALAB 开源的文档级 OCR 工具，利用大语言模型的多模态理解能力直接解析 PDF 中的文本、表格和版面结构，比传统 OCR 管线更精准、更完整。
它的核心功能包括以下几个方面。
✅ 端到端文档解析——直接输入 PDF 页面截图，输出 Markdown 格式的结构化文本，跳过传统 OCR 的版面分析、文字识别、后校正等分离步骤，减少错误传递。
✅ 表格与复杂排版识别——利用 LLM 的空间推理能力正确处理跨栏文本、表格嵌套、页眉页脚和脚注，输出保留原始行列关系的 Markdown 表格。
✅ 数学公式与代码块还原——对文档中的 LaTeX 公式和代码片段进行语义识别而不是字符级扫描，输出格式正确的可渲染公式和语法高亮代码块。
它的适用场景也很明确。研究人员和知识工作者用它批量提取论文 PDF 中的结构化信息；数据团队用它从扫描报告和档案文档中自动化构建文本语料库。
[收藏] 👇
OCRPDF解析大模型文档处理开源知识提取数据标注