智享(@CycleDecoded):以往处理复杂 PDF 格式，多栏混排、手写字、数学公式一转乱成一锅粥。GPT-4o 确实能看懂，但转 100 万页能直接吞掉你 6000 多美金，谁用谁肉疼。知名 AI 机构 Allen AI 搞的 olmOCR，用开源 7B 视觉语言大模型（VLM）专门用来“洗 PDF”。管你是什么刁钻多栏、页眉页脚干扰、手写混排还是复杂公式，统统给你拉成极度干净的 Markdown，而且天然保持正确的阅读顺序！排版魔术手：多栏报纸、论文混排自动识别逻辑顺序，绝不串行公式手写全包：数学 LaTeX 公式、表格、甚至手写笔记全自动提取噪音自动洗掉：重复的页眉、页脚、无用插图自动清空，只留干货批量吞吐极快：原生支持 vLLM 加速与多卡集群，百万级文档直接跑批这玩意搞 LLM 预训练数据清洗、大模型 RAG 知识库构建，简直就是开挂。项目链接：https://t.co/HcDihId0rL 在线 Demo：

2026.08.11 11:55

以往处理复杂 PDF 格式，多栏混排、手写字、数学公式一转乱成一锅粥。GPT-4o 确实能看懂，但转 100 万页能直接吞掉你 6000 多美金，谁用谁肉疼。知名 AI 机构 Allen AI 搞的 olmOCR，用开源 7B 视觉语言大模型（VLM）专门用来“洗 PDF”。管你是什么刁钻多栏、页眉页脚干扰、手写混排还是复杂公式，统统给你拉成极度干净的 Markdown，而且天然保持正确的阅读顺序！排版魔术手：多栏报纸、论文混排自动识别逻辑顺序，绝不串行公式手写全包：数学 LaTeX 公式、表格、甚至手写笔记全自动提取噪音自动洗掉：重复的页眉、页脚、无用插图自动清空，只留干货批量吞吐极快：原生支持 vLLM 加速与多卡集群，百万级文档直接跑批这玩意搞 LLM 预训练数据清洗、大模型 RAG 知识库构建，简直就是开挂。项目链接：在线 Demo：