Copertina

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

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Poznanski, Jake, Rangapur, Aman, Borchardt, Jon, Dunkelberger, Jason, Huff, Regan, Lin, Daniel, Wilhelm, Christopher, Lo, Kyle, Soldaini, Luca
Natura:	Preprint
Pubblicazione:	2025
Soggetti:	Computation and Language
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

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

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

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

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

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

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

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

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

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

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

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

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

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

A useful representation of TESS light curves
di: Poznanski, Dovi
Pubblicazione: (2026)

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

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

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

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

Machine Translation for Ge'ez Language
di: Wassie, Aman Kassahun
Pubblicazione: (2023)

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

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

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

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

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

2 OLMo 2 Furious
di: OLMo, Team, et al.
Pubblicazione: (2024)

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

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

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

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

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

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

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

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

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

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

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

test
di: Goel, Aman
Pubblicazione: (2025)

Sarvaprakataviveka
di: Chawla, Aman
Pubblicazione: (2025)

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

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