olmOCR 2 : Récompenses des tests unitaires pour la reconnaissance optique de documents

olmOCR 2: Unit Test Rewards for Document OCR

October 22, 2025

papers.authors: Jake Poznanski, Luca Soldaini, Kyle Lo

cs.AI

papers.abstract

Nous présentons olmOCR 2, la dernière version de notre famille de systèmes OCR puissants pour convertir des documents imprimés numérisés, tels que des PDF, en texte brut propre et naturellement ordonné. olmOCR 2 est alimenté par olmOCR-2-7B-1025, un modèle de langage visuel (VLM) spécialisé de 7 milliards de paramètres, entraîné à l'aide de l'apprentissage par renforcement avec des récompenses vérifiables (RLVR), où nos récompenses sont un ensemble diversifié de tests unitaires binaires. Pour accélérer la création de tests unitaires, nous avons développé un pipeline permettant de générer des documents synthétiques avec des mises en page variées et complexes, un code source HTML de référence connu et des cas de test extraits. Nous démontrons que l'entraînement par renforcement sur ces cas de test permet d'atteindre des performances de pointe sur olmOCR-Bench, notre benchmark OCR en langue anglaise, avec les améliorations les plus significatives dans la conversion de formules mathématiques, l'analyse de tableaux et les mises en page multi-colonnes par rapport aux versions précédentes. Nous publions notre modèle, nos données et notre code sous des licences ouvertes permissives.

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.