多模态大模型都有这个能力，例如gpt4o，claude3.5，gemini 1.5等。
还有这个项目gptpdf：python编写，直接调用大模型，连pdf里的数学公式都能弄成markdown，不过需要gpt4o的apikey，否则没用。
https://github.com/CosmosShadow/gptpdf
没大模型就用这个OmniParse ，OmniParse 是一个在本地运行的平台，用于将不同格式的未结构化数据转换为结构化数据，以便更好地与生成人工智能（GenAI）框架兼容。它支持多种文件类型，包括文档、图片、视频、音频和网页，并提供了一系列 API 端点来处理这些数据。OmniParse 能够进行表格提取、图像处理、视频音频转录以及网页抓取。该平台可以通过 Docker 和 Skypilot 轻松部署，并且支持 Colab 环境。用户可以通过 pip 或 Docker 安装 OmniParse，并且需要在 Linux 系统上运行。OmniParse 使用了一些开源模型，如 Surya OCR、Florence-2 和 Whisper Small，
https://github.com/adithya-s-k/omniparse
网友回复
我知道答案，我要回答
私活外包
最新提问
python如何实现torrent的服务端进行文件分发p2p下载？
如何在浏览器中录制摄像头和麦克风数据为mp4视频保存下载本地？
go如何编写一个类似docker的linux的虚拟容器？
python如何写一个bittorrent的种子下载客户端？
ai能通过看一个网页的交互过程视频自主模仿复制网页编写代码吗？
ai先写功能代码通过chrome mcp来进行测试功能最后ai美化页面这个流程能行吗？
vue在手机端上下拖拽元素的时候如何禁止父元素及body的滚动导致无法拖拽完成？
使用tailwindcss如何去掉响应式自适应？
有没有直接在浏览器中运行的离线linux系统？
nginx如何保留post或get数据进行url重定向？
