Buchumschlag

olmOCR: Unlocking Trillions of Tokens in PDFs with Vision Language Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Poznanski, Jake, Rangapur, Aman, Borchardt, Jon, Dunkelberger, Jason, Huff, Regan, Lin, Daniel, Wilhelm, Christopher, Lo, Kyle, Soldaini, Luca
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

olmOCR 2: Unit Test Rewards for Document OCR
von: Poznanski, Jake, et al.
Veröffentlicht: (2025)

The Battle of LLMs: A Comparative Study in Conversational QA Tasks
von: Rangapur, Aryan, et al.
Veröffentlicht: (2024)

Fin-Fact: A Benchmark Dataset for Multimodal Financial Fact Checking and Explanation Generation
von: Rangapur, Aman, et al.
Veröffentlicht: (2023)

Piecing It All Together: Verifying Multi-Hop Multimodal Claims
von: Wang, Haoran, et al.
Veröffentlicht: (2024)

OLMoTrace: Tracing Language Model Outputs Back to Trillions of Training Tokens
von: Liu, Jiacheng, et al.
Veröffentlicht: (2025)

Dolma: an Open Corpus of Three Trillion Tokens for Language Model Pretraining Research
von: Soldaini, Luca, et al.
Veröffentlicht: (2024)

How2Everything: Mining the Web for How-To Procedures to Evaluate and Improve LLMs
von: Chang, Yapei, et al.
Veröffentlicht: (2026)

DrawEduMath: Evaluating Vision Language Models with Expert-Annotated Students' Hand-Drawn Math Images
von: Baral, Sami, et al.
Veröffentlicht: (2025)

Automatic Detection of Research Values from Scientific Abstracts Across Computer Science Subfields
von: Jiang, Hang, et al.
Veröffentlicht: (2025)

RouterRetriever: Routing over a Mixture of Expert Embedding Models
von: Lee, Hyunji, et al.
Veröffentlicht: (2024)

Mathfish: Evaluating Language Model Math Reasoning via Grounding in Educational Curricula
von: Lucy, Li, et al.
Veröffentlicht: (2024)

Exploring Fusion Strategies for Multimodal Vision-Language Systems
von: Willis, Regan, et al.
Veröffentlicht: (2025)

Scaling Retrieval-Based Language Models with a Trillion-Token Datastore
von: Shao, Rulin, et al.
Veröffentlicht: (2024)

A useful representation of TESS light curves
von: Poznanski, Dovi
Veröffentlicht: (2026)

Organize the Web: Constructing Domains Enhances Pre-Training Data Curation
von: Wettig, Alexander, et al.
Veröffentlicht: (2025)

KIWI: A Dataset of Knowledge-Intensive Writing Instructions for Answering Research Questions
von: Xu, Fangyuan, et al.
Veröffentlicht: (2024)

LogicDiff: Logic-Guided Denoising Improves Zero-Shot Reasoning in Masked Diffusion Language Models
von: Aman, Shaik
Veröffentlicht: (2026)

LoPace: A Lossless Optimized Prompt Accurate Compression Engine for Large Language Model Applications
von: Ulla, Aman
Veröffentlicht: (2026)

Machine Translation for Ge'ez Language
von: Wassie, Aman Kassahun
Veröffentlicht: (2023)

Bayesian model mixing with multi-reference energy density functional
von: Sharma, Aman, et al.
Veröffentlicht: (2024)

Infini-gram: Scaling Unbounded n-gram Language Models to a Trillion Tokens
von: Liu, Jiacheng, et al.
Veröffentlicht: (2024)

Contrast: A Hybrid Architecture of Transformers and State Space Models for Low-Level Vision
von: Urumbekov, Aman, et al.
Veröffentlicht: (2025)

Guiding Vision-Language Model Selection for Visual Question-Answering Across Tasks, Domains, and Knowledge Types
von: Sinha, Neelabh, et al.
Veröffentlicht: (2024)

Understanding Inference-Time Token Allocation and Coverage Limits in Agentic Hardware Verification
von: Patel, Vihaan, et al.
Veröffentlicht: (2026)

2 OLMo 2 Furious
von: OLMo, Team, et al.
Veröffentlicht: (2024)

EsoLang-Bench: Evaluating Genuine Reasoning in Large Language Models via Esoteric Programming Languages
von: Sharma, Aman, et al.
Veröffentlicht: (2026)

ÜberWeb: Insights from Multilingual Curation for a 20-Trillion-Token Dataset
von: DatologyAI, et al.
Veröffentlicht: (2026)

How Culturally Aware are Vision-Language Models?
von: Burda-Lassen, Olena, et al.
Veröffentlicht: (2024)

Olmix: A Framework for Data Mixing Throughout LM Development
von: Chen, Mayee F., et al.
Veröffentlicht: (2026)

GeoCoder: Solving Geometry Problems by Generating Modular Code through Vision-Language Models
von: Sharma, Aditya, et al.
Veröffentlicht: (2024)

Leveraging Large Language Models for Web Scraping
von: Ahluwalia, Aman, et al.
Veröffentlicht: (2024)

CodeOCR: On the Effectiveness of Vision Language Models in Code Understanding
von: Shi, Yuling, et al.
Veröffentlicht: (2026)

Improved Alignment of Modalities in Large Vision Language Models
von: Jangra, Kartik, et al.
Veröffentlicht: (2025)

State of AI: An Empirical 100 Trillion Token Study with OpenRouter
von: Aubakirova, Malika, et al.
Veröffentlicht: (2026)

Zyda-2: a 5 Trillion Token High-Quality Dataset
von: Tokpanov, Yury, et al.
Veröffentlicht: (2024)

Anticipatory Gains and Event-Driven Losses in Blockchain-Based Fan Tokens: Evidence from the FIFA World Cup
von: Saggu, Aman, et al.
Veröffentlicht: (2024)

test
von: Goel, Aman
Veröffentlicht: (2025)

Sarvaprakataviveka
von: Chawla, Aman
Veröffentlicht: (2025)

RooAgent: An LLM Agent for Root-Based High Energy Physics Analysis
von: Desai, Aman
Veröffentlicht: (2026)

Decoupling Forward Aggregation and Backward Propagation for Robust Neural Computation: a Python Study
von: Chawla, Aman
Veröffentlicht: (2026)