allenai/olmocr

产品定位

olmOCR 采用 Apache 2.0 许可证开源，定位区别于通用 OCR 服务：它围绕 LLM 数据管线设计，除转换工具外还附带模型训练代码（SFT、GRPO RL）和 olmOCR-Bench 基准套件，便于研究复现与二次开发。选型时需注意：本地推理依赖 NVIDIA GPU（至少 12 GB 显存）和约 30 GB 磁盘空间，含模型的 Docker 镜像体积较大。若无本地 GPU，可通过远程 vLLM 服务器或官方验证的外部推理提供商（Cirrascale、DeepInfra、Parasail）运行，也可先在在线演示网站快速试用。官方声称的每百万页低于 200 美元转换成本为厂商声明，实际成本取决于硬件与所选推理方案。

适合用户

• 构建 LLM 训练数据集的研究者与工程师
• 需要大规模 PDF 数字化的机构
• OCR/文档理解方向的开发者

功能亮点

• PDF/图像转 Markdown

  将 PDF、PNG、JPEG 文档转换为干净的 Markdown 文本，支持公式、表格、手写体和复杂格式。

• 自然阅读顺序与页眉页脚清理

  自动移除页眉页脚，并在多栏、插图、内嵌内容等情况下按自然阅读顺序输出文本。

• 大规模批量推理管线

  支持通过 vLLM 批量处理数百万份 PDF，可使用本地 GPU、外部服务器、S3 多节点或 Beaker 集群。

• olmOCR-Bench 基准套件

  覆盖 1,400 份文档、超过 7,000 个测试用例的 OCR 系统性能基准测试套件。

• 模型训练代码

  提供 SFT 微调（Qwen2.5-VL）与 GRPO RL 训练器、合成数据生成等可复用训练组件。

访问与价格

可用状态: 当前可用

价格信息: 开源

支持平台: API, Linux, 自托管

价格说明: olmOCR 本身为 Apache 2.0 开源项目，可免费安装使用；官方声称本地转换成本低于每百万页 200 美元（基于 GPU 硬件成本），使用外部推理提供商时按其自身价格计费。

官方入口

• GitHub 仓库
• 在线演示
• Hugging Face 模型（olmOCR-2-7B-1025-FP8）
• Docker Hub 镜像

来源核验

• github.com