olmOCR 2: Награды за модульные тесты для OCR документов

olmOCR 2: Unit Test Rewards for Document OCR

October 22, 2025

Авторы: Jake Poznanski, Luca Soldaini, Kyle Lo

cs.AI

Аннотация

Мы представляем olmOCR 2 — новейшую разработку в нашем семействе мощных систем оптического распознавания текста (OCR), предназначенных для преобразования оцифрованных печатных документов, таких как PDF, в чистый, естественно структурированный простой текст. olmOCR 2 работает на основе olmOCR-2-7B-1025 — специализированной 7-миллиардной визуально-языковой модели (VLM), обученной с использованием обучения с подкреплением с проверяемыми наградами (RLVR), где наши награды представляют собой разнообразный набор бинарных модульных тестов. Для масштабирования создания модульных тестов мы разработали конвейер генерации синтетических документов с разнообразными и сложными макетами, известным исходным HTML-кодом и извлеченными тестовыми случаями. Мы демонстрируем, что обучение с подкреплением на этих тестовых случаях приводит к передовым результатам на нашем англоязычном OCR-бенчмарке olmOCR-Bench, с наибольшим улучшением в преобразовании математических формул, разборе таблиц и обработке многоколоночных макетов по сравнению с предыдущими версиями. Мы публикуем нашу модель, данные и код под разрешительными открытыми лицензиями.

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.