olmOCR 2: Recompensas de Testes Unitários para OCR de Documentos

olmOCR 2: Unit Test Rewards for Document OCR

October 22, 2025

Autores: Jake Poznanski, Luca Soldaini, Kyle Lo

cs.AI

Resumo

Apresentamos o olmOCR 2, o mais recente da nossa família de sistemas OCR avançados para converter documentos impressos digitalizados, como PDFs, em texto simples limpo e ordenado de forma natural. O olmOCR 2 é alimentado pelo olmOCR-2-7B-1025, um modelo de linguagem visual (VLM) especializado de 7 bilhões de parâmetros, treinado com aprendizado por reforço com recompensas verificáveis (RLVR), onde nossas recompensas são um conjunto diversificado de testes unitários binários. Para escalar a criação de testes unitários, desenvolvemos um pipeline para gerar documentos sintéticos com layouts diversos e desafiadores, código-fonte HTML de referência conhecido e casos de teste extraídos. Demonstramos que o treinamento por RL com esses casos de teste resulta em desempenho de ponta no olmOCR-Bench, nosso benchmark de OCR em inglês, com os maiores avanços na conversão de fórmulas matemáticas, análise de tabelas e layouts de múltiplas colunas em comparação com versões anteriores. Disponibilizamos nosso modelo, dados e código sob licenças abertas permissivas.

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.