PDF 마크다운 변환 — 수식·표·코드 보존

PDF 마크다운 변환기가 하는 일

KolmoPDF는 학술 논문, 기술 서적, 엔지니어링 문서로 학습한 시각 언어 모델(VLM)로 기술 PDF를 구조화된 Markdown으로 변환합니다(PDF 마크다운 변환). 다단 읽기 순서를 보존하고, 인라인 및 디스플레이 형식의 LaTeX 수식을 인식하며, 페이지 경계를 넘는 표를 재구성하고, 코드 블록을 그대로 유지합니다. 출력은 정적 사이트, 지식 베이스, RAG, 번역 파이프라인으로 바로 이어지는 깔끔한 Markdown입니다.

주요 기능

• 여러 줄을 지원하는 인라인 및 디스플레이 형식 LaTeX 수식 인식.
• 병합 셀 표와 페이지에 걸친 표를 안정적으로 감지.
• 2단 및 3단 페이지 레이아웃을 선형 읽기 흐름으로 재배열.
• 식별 가능한 경우 언어 힌트와 함께 코드 블록 감지.
• 분석 중 8개 대상 언어로 원패스 번역 옵션.

주요 활용 사례

연구자는 논문에서 LaTeX를 추출해 노트 시스템에 넣습니다. 엔지니어링 팀은 추출한 Markdown을 Confluence, Notion 또는 사내 위키로 보냅니다. 현지화 팀은 Markdown을 번역 메모리 도구에 입력합니다. 교육자는 수식을 다시 입력하지 않고 교과서 PDF에서 슬라이드와 학습 자료를 재구성합니다. AI 팀은 PDF 라이브러리를 Markdown으로 바꿔 RAG 수집 단계에 사용합니다.

자주 묻는 질문

실제 파싱: Attention Is All You Need

Vaswani et al. 2017 2단 학술 PDF를 KolmoPDF가 실제로 Markdown으로 만든 결과입니다. 디스플레이 수식과 결과 표가 들어 있습니다. 목업이나 제품 UI 스크린샷이 아닙니다.

추출된 LaTeX로서의 식 1

$$
\text{Attention}(Q, K, V) = \text{softmax}(\frac{QK^T}{\sqrt{d_k}})V
$$

GitHub-flavored Markdown 표가 된 Table 1

| 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.

테스트 PDF 다운로드파싱된 Markdown 다운로드