懂AI
olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

GitHub
olmocr

image.png

项目介绍

olmOCR 是 Allen Institute for Artificial Intelligence 开发的一个工具包，用于训练语言模型处理真实世界的 PDF 文档。该项目提供了多种功能和工具，包括自然文本解析、不同管道版本的评估、语言过滤和 SEO 垃圾信息去除、模型微调、大规模 PDF 处理以及文档查看等。项目支持本地和多节点 / 集群使用，需要 NVIDIA GPU 和一定的磁盘空间。用户可以通过在线演示或本地运行来使用该项目，处理结果将以 JSONL 格式存储，方便后续查看和分析。

主要功能

自然文本解析：提供使用 ChatGPT 4o 进行自然文本解析的提示策略。 评估工具：提供用于比较不同管道版本的评估工具。 过滤功能：支持基本的语言过滤和 SEO 垃圾信息去除。 模型微调：提供 Qwen2-VL 和 Molmo-O 的微调代码。 大规模 PDF 处理：支持通过微调模型处理数百万个 PDF 文件。 文档查看：支持查看从 PDF 创建的 Dolma 文档。

应用场景

科研领域：帮助科研人员处理和分析大量的 PDF 文献。 文档处理：在文档处理过程中，提高 PDF 文件的处理效率和准确性。 数据挖掘：从 PDF 文件中提取有价值的信息，用于数据挖掘和分析。

常见问题

问题 1：olmOCR 需要什么硬件要求？ 回答：olmOCR 需要近期的 NVIDIA GPU（如 RTX 4090、L40S、A100、H100），至少 20GB 的 GPU 内存，以及 30GB 的可用磁盘空间。

问题 2：如何安装 olmOCR？ 回答：首先需要安装 poppler-utils 和额外的字体，然后创建一个 conda 环境，克隆项目仓库并安装依赖。具体步骤可以参考项目文档中的安装部分。

问题 3：能否在本地运行 olmOCR？ 回答：可以。运行本地需要 GPU，因为推理是由 sglang 提供支持的。可以使用python -m olmocr.pipeline命令来转换单个或多个 PDF 文件。

问题 4：olmOCR 支持多节点 / 集群使用吗？ 回答：支持。olmOCR 支持从 AWS S3 读取 PDF 文件，并使用 AWS S3 输出桶来协调工作。可以在多个节点上并行运行，提高处理效率。

问题 5：如何查看处理结果？ 回答：处理结果以 Dolma 风格的 JSONL 格式存储在./localworkspace/results目录中。可以使用cat命令查看结果，也可以使用dolmaviewer命令将结果与原始 PDF 文件进行并排查看。

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word，让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级，全面对标OpenAI o1

科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力，做PPT更简单！

咔片是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文，一站式创作，让内容运营更高效

讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台，公文写作神器

AI 材料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具，支持从文本描述、单张图片或多视角图片生成 3D 模型，具备快速形状生成能力，可生成带纹理的高质量 3D 模型，适用于多个领域，为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目，涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作，如创建文件和目录、设置布局等，同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景，能够提高系统的性能和可靠性，是分布式存储领域的优质解决方案。

下拉加载更多