OLMOCR1.0：
allenai开源多模态的文档智能解析大模型（OLMOCR）方法、效果浅析
往期相关：
- 端到端的多模态文档解析模型-DeepSeek-OCR架构、数据、训练方法
- 再看两阶段多模态文档解析大模型-PaddleOCR-VL架构、数据、训练方法
- 如何打造一个文档解析的多模态大模型？MinerU2.5架构、数据、训练方法
olmOCR 2相关对比：
olmOCR 2 是一套面向文档 OCR 的端到端解决方案，其核心方法围绕RLVR，通过 "合成数据规模化 - 单元测试定奖励 - RL 训练提性能" 的闭环，解决传统 OCR 系统在复杂场景（数学公式、表格、多列布局）中的痛点。
现有问题
传统OCR系统的性能评估依赖编辑距离 ，计算模型输出与Ground Truth的字符级差异（插入、删除、替换次数）。
为解决上述问题，设计了下面6类可验证的二进制单元测试（结果仅"通过（PASS）"或"失败（FAIL）"），覆盖文档OCR的需求：
| 测试类型 | 核心功能 |
|---|---|
| 文本存在性 | 验证特定短语（如关键句子、公式）是否精确出现在输出中 |
| 文本不存在性 | 验证无关内容（如页眉、页脚、页码）是否未出现在输出中 |
| 自然阅读顺序 | 验证句子/段落的顺序是否符合人类阅读习惯（如图1中"绿色→黄色"不被红色打断） |
| 表格准确性 | 验证表格单元格的相对位置与数值是否正确（如"Model"在"GPT-4-turbo"上方） |
| 数学公式准确性 | 用KaTeX渲染模型输出与参考公式，验证视觉结构是否一致（如图2） |
| 基线鲁棒性 | 验证无长重复n-gram、无非目标语言字符（避免模型幻觉） |
这些测试的优势在于：
- 公平处理浮动元素：对图注、表格等位置灵活的元素，只要核心逻辑正确（如表格单元格关系、阅读顺序），均判定为通过，避免编辑距离的"过度惩罚"；
- 精准反映实际正确性：聚焦"用户是否能用"（如公式能否正确渲染、表格能否正确读取），而非"字符是否完全匹配"。
数据
手动为每个文档设计单元测试耗时极长（原文提到"需数小时/文档"），无法支撑RL训练的大规模数据需求。因此，文章开发了全自动合成数据生成 pipeline，实现"文档→HTML→单元测试"的端到端规模化，核心流程分三步：
1. 步骤1：挑选"难处理场景"PDF数据源
为确保合成数据的挑战性（覆盖真实OCR痛点，避免"模板化数据"，确保数据多样性，与真实世界OCR需求对齐。），文章选择高难度文档样本 ：
数据来源arXiv数学论文（含复杂公式）、旧扫描件（低分辨率）、多列布局文档、含复杂表格的文档。
2. 步骤2：PDF→HTML的三阶段转换（生成"带Ground Truth的结构化文档"）
HTML是生成单元测试的关键：其语义标签（如<header>、<footer>、<table>、KaTeX公式）可直接用于自动提取测试用例。转换过程依赖通用VLM（Claude-sonnet-4-20250514） ，分三阶段迭代优化：
| 阶段 | 核心任务 | 输入 | 输出 |
|---|---|---|---|
| 1. 布局分析 | 让VLM识别文档结构：列数、图像/表格位置、页眉/页脚区域、公式位置等 | 原始PDF页面图像 | 布局结构描述（如"2列，右上角有表格"） |
| 2. 内容渲染 | 让VLM基于布局分析，生成与原始PDF尺寸一致的语义HTML | 原始图像+布局描述 | 初始HTML（含文本、KaTeX公式、HTML表格） |
| 3. 输出优化 | 渲染初始HTML为图像，与原始PDF对比，让VLM修正差异（如字体、间距、公式格式） | 原始图像+初始HTML+渲染图像 | 优化后的最终HTML |
3. 步骤3：基于HTML自动生成单元测试
利用HTML的结构化信息，程序化提取单元测试用例，无需人工干预：
- 文本不存在性测试：从
<header>/<footer>标签提取页眉/页脚，生成"这些内容不应出现"的测试； - 数学公式测试：从KaTeX标签提取公式，生成"渲染后与参考一致"的测试；
- 表格测试：从
<table>标签随机采样单元格，生成"单元格相对位置正确"的测试； - 阅读顺序测试：基于HTML中段落的先后顺序，生成"段落顺序符合HTML结构"的测试。
最终生成的合成数据集 olmOCR2-synthmix-1025 包含：2186个PDF页面 → 30381个单元测试用例，为RL训练提供充足数据。
训练流程：SFT→RLVR→模型融合，端到端优化
olmOCR 2的训练分为监督微调（SFT） 和强化学习（RLVR） 两阶段，结合模型融合（Souping）进一步提升性能：
1. 阶段1：sft
让模型掌握基础的文档解析能力（文本提取、公式识别、表格结构感知），为后续RL优化打基础。选择Qwen2.5-VL-7B-Instruct，使用改进后的监督数据集 olmOCR-mix-1025（267962页，来自10万+PDF），相比旧版（olmOCR-mix-0225）的改进：
- 用GPT-4.1替代GPT-4o处理数据，减少幻觉；
- 统一公式格式（块级公式用
\[，行内公式用\(）； - 表格用HTML格式存储（而非纯文本）；
- 为图像添加基础alt文本；
2. 阶段2：强化学习（RLVR）
核心是用合成数据的单元测试作为奖励信号，通过GRPO算法优化模型，解决SFT阶段未覆盖的复杂场景（如多列、公式、表格）。
- 训练数据：olmOCR2-synthmix-1025的合成文档（带单元测试）；
- 采样策略：每个文档生成28个不同的模型输出（completions），确保覆盖足够多的候选结果；
奖励函数设计
奖励总分为三部分，取值均为0~1，确保模型同时优化"内容正确性"和"输出格式合规性"：
| 奖励类型 | 计算方式 | 作用 |
|---|---|---|
| 主奖励：单元测试通过率 | （通过的单元测试数量）/（总单元测试数量） | 核心：优化内容正确性（公式、表格等） |
| 辅助奖励1：EOS token | 若输出以EOS（结束符）结尾则为1，否则为0 | 避免模型无限重复（解决"重复循环"） |
| 辅助奖励2：元数据位置 | 若文档元数据（语言、旋转校正系数）在输出顶部则为1，否则按位置递减 | 确保输出结构规范，便于下游处理 |
3. 阶段3：模型融合（Souping）
为避免单一模型的随机性，文章采用模型权重平均（Souping） 策略：训练6个不同随机种子的RL模型（3个用token级重要性采样，3个用序列级重要性采样）；对6个模型的权重进行平均，得到最终的olmOCR-2-7B-1025模型；
实验性能
参考文献:
olmOCR 2 Unit Test Rewards for Document OCR，https://arxiv.org/pdf/2510.19817v1