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
gpt-image2能直接将图片转成分层透明的psd设计文件？
claude code、codex、gemini cli如何切换国内大模型使用？
蒸馏最强ai大模型是中小ai模型低成本升级的最好通道？
arena.ai上为啥没有最新的claude4.7及gpt5.5呢？
ai大模型公司为啥开始大量招聘文科生了？
cloudflared如何在低版本centos6或7上安装？
bfwsoa框架如何开启异步缓存与异步任务模式？
selenium如何获取网页js加载渲染后的真实dom结构？
go编写的Eino与python编写的langchain如何选择？
LangChain如何编写多个agent协同工作的代码？
