Ai2 发布 olmOCR v0.4.0：RL 训练让基准提升约 4 分
AI 总结
Allen Institute for AI 的 olmOCR 工具包发布 v0.4.0（2025 年 10 月 21 日），新模型结合合成数据与强化学习训练，olmOCR-Bench 得分提升约 4 分。该工具把 PDF、PNG、JPEG 文档转换为干净 Markdown，支持公式、表格、手写体与复杂排版，并自动去除页眉页脚、按自然阅读顺序输出。官方称基于 7B 视觉语言模型，需 GPU，转换成本低于每百万页 200 美元；在自建榜单上 v0.4.0 得分为 82.4±1.1。
深度见解
高质量文档线性化是构建 LLM 训练与检索数据集的关键环节，成本与准确率的改善会直接影响语料处理规模。