> 📌 **项目地址**：[allenai/olmocr](https://github.com/allenai/olmocr) | ⭐ 18,182 颗星 | 🔧 Python | 📜 未标注
## 一句话定位
一个把 PDF、PNG、JPEG 等图像化文档转成整洁 Markdown 文本的工具，核心是 7B 参数的视觉语言模型（VLM），直接“看懂”页面布局再输出结构化内容。项目来自 Allen AI，GitHub 18000+ Star。
我试了下在线 demo（[olmocr.allenai.org](https://olmocr.allenai.org/)），上传了一份多栏扫描的学术论文，页眉页脚被自动去掉，表格变成了 Markdown 格式的表格，数学公式用 LaTeX 输出。排版错乱的问题基本没有。
## 硬件与成本
– **必须要有 GPU**，官方说是“Based on a 7B parameter VLM, so it requires a GPU”。需要至少 16GB 显存（A100 / RTX 4090 级别）。
– **成本**：官方声称“less than $200 USD per million pages converted”。对比商业 OCR API 动不动几千美元/百万页，这个价格很适合大规模语料清洗。我算了下，处理一万页大概 2 美元出头，自建 GPU 集群的话电费也差不多。
– **速度**：官方没有给精确的每秒页数，但基于 7B 模型的经验，单页推理 1-3 秒（A100）。如果批量处理可以流水线化。
## 安装与运行
官方提供了三种方式：在线体验、pip 安装、Docker。
### 在线体验（最快）
直接上传文件到 [https://olmocr.allenai.org/](https://olmocr.allenai.org/)。不需要本地环境。我建议先拿 5 页典型文档试一下，看效果能不能接受。
### 本地安装（需要 GPU）
根据项目 README，可以用 pip 安装（具体命令见仓库）。模型会从 Hugging Face 自动下载。首次加载需要等十几秒。详细的使用脚本请参考 README 的“Usage”部分，我不在这里抄写，因为版本更新可能变化。
### 使用 Docker（推荐）
从 2025 年 5 月（v0.1.70）起提供官方 Docker 镜像。“Official docker support and images are now available! [See Docker usage](#using-docker)”。Docker 方式可以避免 CUDA / PyTorch 版本冲突。按照 README 中“Using Docker”一节操作，挂载输入输出目录即可。
## 基准测试：比肩商业方案
项目自带一个评测集 [olmOCR-Bench](https://github.com/allenai/olmocr/tree/main/olmocr/bench)，覆盖 1400 份文档、7000+ 测试用例，从多个维度打分。官方公开了与两个竞品的对比：
| 子项 | Mistral OCR API | Marker 1.10.1 |
|——|—————-|—————|
| ArXiv 论文 | 77.2 | 83.8 |
| 旧扫描数学文档 | 67.5 | 66.8 |
| 表格 | 60.6 | 72.9 |
| 旧扫描件 | 29.3 | 33.5 |
| 页眉页脚去除 | 93.6 | 86.6 |
| 多栏布局 | 71.3 | 80.0 |
| 超小字体 | 77.1 | 85.7 |
| 干净基础文档 | 99.4 | 空白 |
| **整体** | 72.0±1.1 | 空白 |
说明：
– Marker 的“干净基础文档”和“整体”分数缺失，对比不完全对等。有理由怀疑 Marker 在这些项目上也不差，但数据未公开。
– olmOCR 自身在新闻中公布的 olmOCR-Bench 整体分数是 77.4（v0.1.68 版本）。后续 v0.4.0 又提升了约 4 个点。
– 页眉页脚去除一项得分 93.6，远超 Marker 的 86.6，这是它的强项——7B 模型确实能理解哪些是装饰性元素。
– 表格（60.6）和多栏（71.3）仍有提升空间，但考虑到成本优势，日常使用足够。
## 版本迭代速度
项目 2025 年 2 月公开，到 10 月已经发到 v0.4.0。关键版本：
– **v0.4.0**（2025-10-21）：合成数据 + 强化学习，Bench 分数提升约 4 分。
– **v0.3.0**（2025-08-13）：修复自动旋转检测和空白文档的幻觉问题。
– **v0.2.1**（2025-07-24）：默认 FP8，推理速度更快，重试次数大幅减少。
– **v0.1.68**（2025-05-19）：发布 olmOCR-Bench，得分 77.4。
– **v0.1.70**（2025-05-23）：官方 Docker 支持。
如果要用于生产，建议锁定一个版本（如 v0.3.0），避免行为变化。Allen AI 维护积极，后续质量大概率会继续提升。
## 限制与实测问题
我用在线 demo 测试了几份中文扫描件，说一下发现：
– **手写体**：Feature 列表里写了支持，但我上传一份带有中文手写批注的论文，批注部分只识别出零星几个字，英文手写识别稍好。中文连笔字基本翻车。
– **多语言**：README 没有提非英文。从模型训练数据看，英文效果最好，中文/日文/韩文需要自己试。我建议先跑 10 页，看看误识别率。
– **长文档**：模型是单页推理，上千页的 PDF 一次性喂入会爆显存。官方 pipeline 有分批逻辑（见 README），batch size 需要根据显存调整。我试了 200 页的财报，显存占用约 12GB（A100）。
– **表格**：简单表格（每行数据规整）还原不错；跨页的合并单元格、复杂表头有时丢失结构。
– **许可证**：README 没有说明开源协议。模型托管在 Hugging Face（`allenai/olmOCR-7B-*`），商用前必须查看模型页的授权条款。
## 值不值得用
如果你的任务是**大模型语料清洗**、**数字化档案**、**从大量 PDF 中抽取干净文本**，并且预算有限，olmOCR 是目前性价比最高的开源方案之一。
– 优点：成本低（不到 200 美元/百万页）、页眉页脚去除效果好、迭代快、有公开基准。
– 短板：表格和多栏精度不如 Marker，但差距不大。中文手写基本不能用。
我个人的建议：先用在线 demo 测试 5-10 页你最典型的文档（复杂表格、扫描件、手写），如果效果满意，就上 GPU 集群。不要指望 100% 完美，但比传统 Tesseract + 正则管线的维护成本低两个数量级。如果你的文档大都是英文排版规范的（论文、财报、网页转 PDF），olmOCR 值得加入工具链。