RolmOCR 跨场景极速 OCR 开源识别新基准

一、教程简介

RolmOCR 是 Reducto AI 团队于 2025 年 4 月开发的开源 OCR 工具，基于 Qwen2.5-VL-7B 视觉语言模型。它能快速且低内存地从图片和 PDF 中提取文字，优于同类工具 olmOCR 。 RolmOCR 无需依赖 PDF 元数据，简化流程并支持多种文档类型，如手写笔记和学术论文。 Reducto 团队通过模型更新和训练数据优化，旨在提升文档数字化效率。

本教程使用 RolmOCR 作为演示，镜像使用 vllm 0.7.3-2204，算力资源采用 RTX 4090 。

二、功能列表

• 快速文字提取：从图片和 PDF 中提取文字，处理速度快，适合大量文档。
• 支持多种文档：能识别手写笔记、打印文件和复杂表格。
• 开源免费：在 Apache 2.0 许可下开放，代码可自由下载和调整。
• 低内存占用：相比 olmOCR 更省资源，运行时对电脑要求低。
• 无需元数据：直接处理原始文档，不用依赖 PDF 的额外信息。
• 增强倾斜文档识别：训练数据中 15% 被旋转，提升对非正角度文档的适应性。
• 基于最新模型：采用 Qwen2.5-VL-7B，提升识别准确度和效率。

三、运行步骤

1. 启动容器后点击 API 地址即可进入 Web 界面

若显示「Bad Gateway」，这表示模型正在初始化，请等待约 1-2 分钟后刷新页面。

2. 功能演示

引用信息

感谢 GitHub 用户 boyswu  对本教程的制作，本项目引用信息如下：

@misc{RolmOCR,
  author = {Reducto AI},
  title = {RolmOCR: A Faster, Lighter Open Source OCR Model},
  year = {2025},
}

交流探讨

🖌️ 如果大家看到优质项目，欢迎后台留言推荐！另外，我们还建立了教程交流群，欢迎小伙伴们扫码备注【SD 教程】入群探讨各类技术问题、分享应用效果↓