【新智元导读】最新科研神器Nougat，可以把PDF中公示、文本提取出来。
做研究的童鞋们简直要狂喜！
近来，Meta AI研究人员推出一款OCR神器Nougat，能够分分钟把PDF转换为MultiMarkdown。
各种复杂数学公式、表格、文字、甚至是扫描版的PDF通通可以提取出来。
真有这么神？不如上图说话。
拿出一本很有年代感的书籍，每个公示都可以清晰地识别。
即便文档凹凸不平，也不碍事，公示格式照样重现。
这么神的科研利器，究竟是什么来头？
科研OCR神器，怎么来？
要知道，除了HTML之外，PDF是互联网上第二大重要的数据格式，访问量占比为2.4%。
然而，对于科研人员最不便的是，存储在这些文件中的信息很难提取为任何其他格式。
对于高度专业化的文档更是如此，例如科学研究论文中数学表达式的语义信息会丢失。
对此，Meta的研究人员基于Vision Transformer架构，为处理科学文档量身订制定制了一款光学字符识别（OCR）——Nougat。
与传统OCR不同之处在于，Nougat可以处理整个页面，并且输出格式是MultiMarkdown，适合于学术文档写作。
尤其重要的是，它在处理数学公式中的上标和下标等变得非常容易。
