allenai/olmocr

★19,808Python🇺🇸 北米発Apache-2.0⑂ 1,653Issue 60更新 2026年3月26日

GitHubで見る ↗

Toolkit for linearizing PDFs for LLM datasets/training

PDFをLLM学習用にOCR変換するツール — PDFや画像文書を数式・表・手書き文字まで対応したクリーンなMarkdownに変換するツールキットです。7BパラメータのVLMを用いて複雑なレイアウトでも自然な読み順を再現し、100万ページあたり200ドル未満という効率でLLM学習データセット作成に活用できます。

指標

定着率はtrending初掲載から30日経過後に計算できる指標（それまでは表示しない）。指標の定義はこのサイトについて を参照。

star推移とTrending掲載（直近30日）

リポジトリ作成 2024/9/17・trending初掲載 2026/10/8

同じカテゴリの注目リポジトリ（LLM・機械学習）

• pst2154/nemotron-deciffusion1GPU・1パスで構造化判断を返す拡散型LLM
• todesking/slopsamplerAIっぽい「スロップ文章」を収集・分析するプロジェクト
• datalab-to/indraわずか100万パラメータの爆速CPU OCR「Indra」
• fudan-generative-vision/Remory要約で失われる文脈を学習記憶で補う
• google-pytorch/torch_tpuPyTorchをGoogle TPUで動かすバックエンド「TorchTPU」

LLM・機械学習 の全リポジトリを見る →