allenai/olmocr

olmocr 是 AllenAI 的文档 OCR 工具包，用于把 PDF、扫描件和图像文档转换成适合 LLM 数据集的文本。它面向大规模语料生产，关键不只是识别字符，还包括版面理解、阅读顺序恢复和文本线性化。这个项目值得关注是因为文档到训练数据之间的清洗质量，会直接影响后续检索、微调和评测数据的可靠性。