olmOCR 2: Recompensas de Pruebas Unitarias para OCR de Documentos

olmOCR 2: Unit Test Rewards for Document OCR

October 22, 2025

Autores: Jake Poznanski, Luca Soldaini, Kyle Lo

cs.AI

Resumen

Presentamos olmOCR 2, lo último en nuestra familia de potentes sistemas OCR para convertir documentos impresos digitalizados, como PDFs, en texto plano limpio y ordenado de manera natural. olmOCR 2 está impulsado por olmOCR-2-7B-1025, un modelo de lenguaje visual (VLM) especializado de 7B entrenado mediante aprendizaje por refuerzo con recompensas verificables (RLVR), donde nuestras recompensas son un conjunto diverso de pruebas unitarias binarias. Para escalar la creación de pruebas unitarias, desarrollamos una canalización para generar documentos sintéticos con diseños diversos y desafiantes, código fuente HTML de referencia conocido y casos de prueba extraídos. Demostramos que el entrenamiento por refuerzo en estos casos de prueba resulta en un rendimiento de vanguardia en olmOCR-Bench, nuestro benchmark OCR en inglés, con las mayores mejoras en la conversión de fórmulas matemáticas, el análisis de tablas y los diseños de múltiples columnas en comparación con versiones anteriores. Publicamos nuestro modelo, datos y código bajo licencias abiertas permisivas.

English

We present olmOCR 2, the latest in our family of powerful OCR systems for converting digitized print documents, like PDFs, into clean, naturally ordered plain text. olmOCR 2 is powered by olmOCR-2-7B-1025, a specialized, 7B vision language model (VLM) trained using reinforcement learning with verifiable rewards (RLVR), where our rewards are a diverse set of binary unit tests. To scale unit test creation, we develop a pipeline for generating synthetic documents with diverse and challenging layouts, known ground-truth HTML source code, and extracted test cases. We show that RL training on these test cases results in state-of-the-art performance on olmOCR-Bench, our English-language OCR benchmark, with the largest improvements in math formula conversion, table parsing, and multi-column layouts compared to previous versions. We release our model, data and code under permissive open licenses.