Convertisseur PDF en Markdown — Formules, tableaux et code
Convertir un PDF en Markdown propre en ligne — formules, tableaux, multicolonne et traduction optionnelle
Téléverser un fichier PDF
Glissez-déposez les fichiers ici, ou
PDF uniquement, max 300MB, max 800 pages
Paramètres
Info sur la déduction de points
- • PDF en Markdown：2 pts/page
- • PDF en Markdown+Traduction MD：3 pts/page
Comment fonctionne la conversion PDF vers Markdown
KolmoPDF utilise un modèle de langage visuel (VLM) pour analyser les pages PDF et produire un Markdown structuré qui préserve le contenu sémantique du document.
Ce que l'analyseur prend en charge
- Mises en page multicolonnes : Les pages à deux colonnes ou plus sont lues dans le bon ordre logique, et non de gauche à droite sur la page physique.
- Formules mathématiques : Les maths en ligne et en bloc sont restituées en LaTeX dans le Markdown, par exemple
$E = mc^2$or$$\int_0^\infty e^{-x^2} dx$$. - Tableaux : Les tableaux peuvent être restitués en tableaux Markdown ou conservés en images. La fonction expérimentale de fusion inter-pages détecte et fusionne les tableaux à cheval sur plusieurs pages.
- Blocs de code : Le code source et la notation technique sont encadrés dans des blocs de code délimités, avec indications de langage lorsque détectable.
- Traduction : Activez la traduction pour convertir le contenu du document en chinois, japonais, coréen, français, allemand, espagnol ou russe pendant l'analyse. Ajoute 1 crédit/page.
Limites de fichier
Fichiers PDF uniquement. Taille maximale : 300 Mo. Nombre maximal de pages : 800.
Ce que fait ce convertisseur PDF vers Markdown
Le KolmoPDF analyse les PDF techniques en Markdown structuré à l'aide d'un modèle de langage visuel entraîné sur des articles universitaires, des livres techniques et des documents d'ingénierie. Il préserve l'ordre de lecture multicolonne, reconnaît les formules LaTeX en ligne et en bloc, reconstruit les tableaux qui traversent les pages et garde les blocs de code intacts. La sortie est un Markdown propre, prêt pour les générateurs de sites statiques, les bases de connaissances et les pipelines de traduction.
Capacités clés
- Reconnaissance des formules LaTeX en ligne et en bloc, avec prise en charge multiligne.
- Détection stable des tableaux à cellules fusionnées et des tableaux qui continuent sur plusieurs pages.
- Pages à deux et trois colonnes réordonnées en un flux de lecture linéaire.
- Détection des blocs de code avec indications de langage lorsque la source est identifiable.
- Traduction optionnelle en une passe vers 9 langues cibles pendant l'analyse.
Cas d'usage courants
Les chercheurs extraient le LaTeX des articles vers leurs systèmes de notes. Les équipes d'ingénierie envoient le Markdown extrait vers Confluence, Notion ou des wikis internes. Les équipes de localisation alimentent leurs outils de mémoire de traduction. Les enseignants reconstruisent diapositives et supports à partir de PDF de manuels sans retaper les équations.
Questions fréquentes
Fonctionne-t-il sur les PDF numérisés ?
Oui. Le modèle de langage visuel traite le texte comme des régions d'image, donc les PDF natifs et numérisés sont analysés de la même façon.
Combien ça coûte par page ?
L'analyse PDF coûte 2 crédits par page ; avec traduction en ligne, 3 crédits par page. Les nouveaux utilisateurs reçoivent 100 crédits gratuits à l'inscription.
Quelle est la taille de fichier maximale ?
Les forfaits gratuits et payants acceptent des fichiers jusqu'à 300 Mo. La limite de pages dépend de votre solde de crédits.
Real parse: Attention Is All You Need
This is the actual Markdown KolmoPDF produced from Vaswani et al. 2017 — a two-column academic PDF with display math and a results table. Not a mock, not a screenshot of the product UI.
Equation 1 as extracted LaTeX
$$
\text{Attention}(Q, K, V) = \text{softmax}(\frac{QK^T}{\sqrt{d_k}})V
$$Table 1 as a GitHub-flavored Markdown table
| Layer Type | Complexity per Layer | Sequential Operations | Maximum Path Length |
| :--- | :---: | :---: | :---: |
| Self-Attention | $O(n^2 \cdot d)$ | $O(1)$ | $O(1)$ |
| Recurrent | $O(n \cdot d^2)$ | $O(n)$ | $O(n)$ |
| Convolutional | $O(k \cdot n \cdot d^2)$ | $O(1)$ | $O(log_k(n))$ |
| Self-Attention (restricted) | $O(r \cdot n \cdot d)$ | $O(1)$ | $O(n/r)$ |The dominant sequence transduction models are based on complex recurrent or convolutional neural networks that include an encoder and a decoder. We propose a new simple network architecture, the Transformer, based solely on attention mechanisms, dispensing with recurrence and convolutions entirely.