olmOCR 2: Unit Test Beloningen voor Document OCR
olmOCR 2: Unit Test Rewards for Document OCR
October 22, 2025
Auteurs: Jake Poznanski, Luca Soldaini, Kyle Lo
cs.AI
Samenvatting
Wij presenteren olmOCR 2, de nieuwste in onze familie van krachtige OCR-systemen voor het omzetten van gedigitaliseerde printdocumenten, zoals PDF's, naar schone, natuurlijk geordende platte tekst. olmOCR 2 wordt aangedreven door olmOCR-2-7B-1025, een gespecialiseerd, 7B vision language model (VLM) getraind met reinforcement learning met verifieerbare beloningen (RLVR), waarbij onze beloningen bestaan uit een diverse set van binaire unittests. Om het maken van unittests te schalen, ontwikkelen we een pijplijn voor het genereren van synthetische documenten met diverse en uitdagende lay-outs, bekende ground-truth HTML-broncode en geëxtraheerde testgevallen. We tonen aan dat RL-training op deze testgevallen resulteert in state-of-the-art prestaties op olmOCR-Bench, onze Engelstalige OCR-benchmark, met de grootste verbeteringen in de conversie van wiskundige formules, het parsen van tabellen en multi-kolom lay-outs in vergelijking met eerdere versies. We geven ons model, data en code vrij onder permissieve open licenties.
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.