在使用大模型处理书籍 PDF 时，有时你会遇到扫描版 PDF，也就是说每一页其实是图像形式。这时，大模型需要先从图片中提取文本，而这就需要借助 OCR（光学字符识别）技术。
像 Gemini 2.5 这样的强大模型，具备非常强的从图片中提取文本的能力。实际上，我们完全可以利用它来执行 OCR 任务。
利用这样的大模型进行 OCR，不仅能处理复杂的图像场景，还能理解文本的结构，保留格式，并正确处理表格、标题等内容，为后续的文本分析、自动化处理和智能搜索提供强大的支持。这种结合 OCR 和 NLP 的智能文档处理方式，正在成为解决实际问题的强大工具。
然而，像 Gemini 这样的强大模型只能通过远程访问，且存在 API 受限和高成本的问题。那么，是否有可能在本地部署类似的大模型来完成这一任务呢？
虽然本地部署或直接安装已经有很多方案，后期文章中我们也将逐一比较。但我们更想自己手撸一个，想着将来大模型不断升级之中我们也能紧随其后直接升级是不。
一 多模态
首先，我们去 Hugging Face 找找具有这种本事的大模型。
看到 Image-Text-to-Text 没有，它表示模型能够处理图像和文本输入，符合我们的任务要求。点击进去，首先看到的是一批新发布的模型，
我们往后翻，找到下面这个 https://huggingface.co/Qwen/Qwen2.5-VL-3B-Instruct。
选这个模型的主要原因是想在笔记本上也能跑起来，所以参数量不能太多。先用我的 Macbook Air 试试本地大模型的 OCR 能力，然后再部署到显卡好一点的电脑上去干活。
代码放在 github 仓库：https://github.com/mathinml/pdf2md
二 项目任务
本项目的任务明确如下：实现一个本地部署的多模态大语言模型，如 Qwen2.5-VL，用于从 PDF 文件中提取文字内容并完成 OCR 任务，最好保留表格形式，并将其转换为 Markdown 文档。模型是可选的，只需调整参数即可切换到其他模型。尽管这个功能看似简单，但它为后续更复杂任务奠定了基础。
我们使用两款电脑来测试：Macbook Air M3 处理器，16G 内存；Ubuntu，V100 32G 显存。
三 用到的库
该项目主要涉及三部分，即 Transformers, vLLM 以及具体的大模型如 QWen2.5-VL。这个模型是基于 Transformer 架构开发的多模态模型。具体通过 Hugging Face 的 Transformers 库来加载和使用它，并选择使用 vLLM 来优化 Qwen2.5-VL 模型的推理性能。考虑到后期可能会实际部署到高性能电脑上，因此选择 vLLM，而不是 Ollama。
Transformers, vLLM 以及 QWen2.5-VL 之间的关系如下图所示。
这个关系图展示了三者之间的依赖和协作，具体如下，
-
Transformers是基础框架：QWen2.5-VL的代码和模型结构依赖于Hugging Face Transformers库。开发者和用户需要安装最新版本的Transformers来加载和运行QWen2.5-VL。 -
vLLM是推理优化引擎：vLLM增强了QWen2.5-VL的推理性能，尤其是在处理视觉和视频任务时。它通过张量并行、动态内存管理等技术，使QWen2.5-VL能够在生产环境中高效运行。vLLM需要与Transformers配合使用，并确保版本兼容（例如，某些版本的Transformers可能需要从源代码安装）。 -
QWen2.5-VL是应用模型：它是具体的多模态模型，利用Transformers提供的架构和vLLM的推理优化来实现其功能。换句话说，QWen2.5-VL的设计目标是处理复杂的视觉语言任务，而Transformers和vLLM则是其技术支撑。
四 程序流程
程序流程以及几个主要 Python 文件之间的关系如下图所示。
这个程序的主要功能是将 PDF 文件转换为 Markdown 格式，整个流程可以总结如下：
1、命令行参数解析：通过 cli.py 中的 parse_args 函数解析用户输入的命令行参数；主要参数包括：PDF 文件路径、模型路径、输出文件路径等。
2、初始化处理器：在 main.py 中初始化 PDFMarkdownProcessor 处理器；该处理器是整个转换过程的核心控制器。
3、PDF 处理阶段：加载指定的 PDF 文件；使用 PDFToImageConverter 将 PDF 文件转换为图像序列，图像分辨率默认为 1024 宽。
4、模型初始化：加载指定的视觉语言模型（如 Qwen2.5-VL-3B-Instruct）；该模型需要提前下载到本地指定目录。
5、图像处理与转换：对每个 PDF 页面生成的图像进行处理；使用 ImageToMarkdownConverter 将图像内容转换为 Markdown 文本；这一步利用视觉语言模型识别图像中的文本、表格、图片等内容。
6、结果整合与输出：合并所有页面转换得到的 Markdown 内容；将最终的 Markdown 文本保存到指定的输出文件中。
整个流程体现了模块化设计思想，各个组件职责明确，便于维护和扩展。用户只需通过简单的命令行参数即可完成从 PDF 到 Markdown 的转换过程。
五 模型下载
可以通过命令 huggingface-cli download 来下载 Qwen2.5-VL，但如果 huggingface 不方便使用，可以选择用 modelscope。
比如我们要使用的这个模型文件放在这里：https://modelscope.cn/models/Qwen/Qwen2.5-VL-3B-Instruct/files
先安装 modelscope：
pip install modelscope
然后用以下命令，
modelscope download --model Qwen/Qwen2.5-VL-3B-Instruct --local_dir ../local_models/Qwen2.5-VL-3B-Instruct
将完整模型库文件下载到指定的本地目录 ../local_models/Qwen2.5-VL-3B-Instruct 中。
转化效果
对于 1024 分辨率的图像，在 Macbook Air 上转化一页需要六、七分钟，虽然有点久，但至少也能跑起来了，而在 V100 上只需要 10 秒+。
如果页面较清晰，可以降低分辨率，那样自然会提高转化效率。另外，程序中有个参数 quantization=None 表明没有启用量化，保持了模型的完整精度。如果想进一步提高效率，可以使用量化版本，即 Qwen/Qwen2.5-VL-3B-Instruct-AWQ。
六 转化效果
从 PDF 文件中提取的图像，
转化为 Markdown 后，效果如下图所示。是不是文字、表格和数学公式都还保持的不错。
代码：https://github.com/mathinml/pdf2md
)
