PDF 转 Markdown 转换器 — 公式、表格与代码完整保留
在线将 PDF 转为干净 Markdown — 公式、表格、多栏版式，可选多语言翻译
上传 PDF 文件
将文件拖拽至此处，或
仅支持 PDF，最大 300MB，最多 800 页
处理设置
花费说明
- • PDF 转 Markdown：2 积分/页
- • PDF 转 Markdown+Markdown翻译：3 积分/页
PDF 转 Markdown 的工作方式
KolmoPDF 使用视觉语言模型（VLM）分析 PDF 页面，并输出结构化 Markdown，尽量保留文档的语义内容。
解析器可处理的内容
- 多栏布局： 双栏或更多分栏页面会按正确的逻辑阅读顺序解析，而不是按页面物理位置从左到右硬读。
- 数学公式： 行内与独立公式会以 Markdown 中的 LaTeX 形式输出，例如
$E = mc^2$or$$\int_0^\infty e^{-x^2} dx$$. - 表格： 表格可输出为 Markdown 表格，或保留为图片。实验性的跨页表格合并功能会检测并合并跨页表格。
- 代码块： 源代码和技术符号会被包裹为围栏代码块，并在可识别时附带语言提示。
- 翻译： 可在解析时同步把文档内容翻译为中文、日语、韩语、法语、德语、西班牙语或俄语。额外增加 1 积分/页。
文件限制
仅支持 PDF 文件。最大文件大小 300 MB，最大页数 800 页。
PDF 转 Markdown 转换器能做什么
KolmoPDF 基于面向学术论文、技术书籍和工程文档训练的视觉语言模型（VLM），把技术 PDF 解析成结构化 Markdown。它保持多栏阅读顺序、识别行内与展示形式的 LaTeX 公式、重建跨页表格、保留代码块。输出的纯 Markdown 可直接接入静态站点、知识库、RAG 与后续翻译流程。
核心能力
- 支持行内与展示形式 LaTeX 公式识别，处理多行公式。
- 稳定识别合并单元格、跨页延续的表格。
- 把两栏 / 三栏页面按线性阅读顺序重排。
- 识别代码块，对可识别源代码标注语言提示。
- 解析时可一次性翻译到 9 种目标语言。
常见使用场景
研究者用它从论文中提取 LaTeX 进入笔记系统。工程团队把 Markdown 写入 Confluence、Notion、内部 wiki。本地化团队把 Markdown 喂给翻译记忆库。教师从教材 PDF 重建讲义和习题，无需手动重打公式。AI 团队把 PDF 库转成 Markdown 作为 RAG 入库步骤。
如何把 PDF 转成 Markdown
- 上传 PDF（原生或扫描），最大 300 MB，无需安装。
- 可选：保留原文，或同一次解析中翻译到 9 种语言之一。
- 按页解析，自动处理多栏、公式、表格与代码块。
- 下载 .md，或复制到 Obsidian、Notion、Git 仓库或 RAG 流水线。
常见问题
扫描版 PDF 也能解析吗？
可以。视觉语言模型把文本视为图像区域，原生 PDF 和扫描 PDF 走同一条解析路径。
每页多少积分？
PDF 解析每页 2 积分；解析 + 翻译每页 3 积分。新用户注册即送 100 积分。
文件大小上限？
免费与付费方案都支持最大 300 MB 的文件，页数上限取决于剩余积分。
适合 RAG / LLM 吗？
适合。带真实标题层级的 Markdown 比原始 PDF 抽文本更利于切块与检索。批量可用开发者 API。
真实解析：Attention Is All You Need
这是 KolmoPDF 对 Vaswani et al. 2017 这篇双栏论文 PDF 的真实 Markdown 输出，含独立公式和结果表。不是示意稿，也不是产品界面截图。
抽取成 LaTeX 的公式 1
$$
\text{Attention}(Q, K, V) = \text{softmax}(\frac{QK^T}{\sqrt{d_k}})V
$$变成 GitHub 风格表格的 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.