欧洲杯体育

这项由上海东谈主工智能实验室聚合北京大学、上海交通大学等多家机构共同完成的征询，于2025年9月30日发表在arXiv预印本平台（论文编号：arXiv:2509.22186v2），为文档解析时刻带来了更动性冲破。有兴致深入了解的读者不错通过该论文编号查询完整论文。

遐想一下，你面前有一册厚厚的学术论文，内部密密匝匝的翰墨、复杂的数学公式、万般表格图表，要是让你把这些内容完整准确地更动成电子文档，你会感到何等头疼。面前，上海东谈主工智能实验室的征询团队开发出了一个名为MinerU2.5的"智能助手"，它就像一个教育丰富的文档处理巨匠，简略快速准确地主张和更动万般复随笔档。

这个征询处治的问题其实与咱们的日常生存息息有关。不管是学生需要整理学术贵府，如故企业需要数字化历史文档，或者是征询东谈主员需要从多半文件中索要信息，文档解析都是一个绕不开的设施。传统的方法要么需要东谈主工一字一板地输入，要么依赖多个软件器具的复杂组合，不仅着力低下，还容易出错。

征询团队的创新之处在于，他们遐想了一种全新的"两阶段解析政策"，就像一个聪敏的观看破案一样。第一阶段，这个智能助手会像鸟瞰全局的观看一样，快速浏览通盘文档，主张文档的合座布局和结构，找出那处是标题、那处是正文、那处是表格公式。第二阶段，它会像放大镜一样，针对每个具体区域进行直快化的内容识别和更动。

更令东谈主惊喜的是，MinerU2.5惟有12亿个参数，比较其他动辄几百亿参数的模子，它就像一个简短但功能刚烈的瑞士军刀。在多项泰斗测试中，它不仅超越了GPT-4o、Gemini-2.5 Pro等著明的通用AI模子，还在专科文档解析任务上创下了新的性能纪录。这意味着，将来咱们处理文档的时势可能会发生根人性的改变，从繁琐的东谈主工操作转向智能化的自动处理。

一、破解文档解析的千年难题：为什么这样难？

文档解析听起来肤浅，本色上却是筹划机视觉和当然语言处理领域的一个超等难题。这就好比让一个从未见过汉字的番邦东谈主去阅读一册汉文古籍，不仅要主张每个字，还要主张字与字之间的关联，段落的端倪结构，致使还要处理万般特殊瑰丽和图表。

传统的文档处理方法就像一条活水线，需要多个工东谈主单干互助。第一个工东谈主认真找出文档的布局结构，第二个工东谈主认真识别翰墨，第三个工东谈主认真处理表格，第四个工东谈主认真识别数学公式。这种方法的问题在于，一朝某个设施出错，无理就会像多米诺骨牌一样传递下去，最终导致通盘终结都不准确。而况，这种方法需要齰舌多个不同的器具，就像需要同期掌抓多种不同的妙技一样，既复杂又容易出问题。

另一种方法是使用大型的通用AI模子，比如GPT-4o或者Gemini。这些模子就像一个博学的学者，什么都懂少许，但在处理具体的文档解析任务时，却频繁会出现"幻觉"表象。所谓幻觉，等于模子会"脑补"一些原来不存在的内容，或者在处理长文档时丢失紧迫信息。更要命的是，这些大模子在处理高分辨率文档时，需要奢华巨大的筹划资源，就像用大炮打蚊子一样，既浪费又低效。

文档解析的中枢难点在于，文档图像普通分辨率很高，包含多半的空缺区域和低信息密度的区域。当AI模子试图处理这些图像时，就会产生多半冗余的筹划，这种筹划复杂度会跟着图像分辨率的加多而呈平方级增长。这就好比让一个东谈主去数一个巨大仓库里的每一粒米，不仅费时忙绿，还容易出错。

恰是在这样的布景下，征询团队意志到需要一种全新的处治有筹划，既要保持高精度，又要终结筹划资本，还要幸免传统活水线方法的无理传播问题。

二、MinerU2.5的中枢创新：像观看一样的两阶段政策

MinerU2.5的最大创新在于它领受了一种"粗细团结"的两阶段解析政策，这种方法就像一个教育丰富的观看破案的过程。

在第一阶段，MinerU2.5就像一个站在高楼顶层鸟瞰全城的观看，它会将原始的高分辨率文档图像消弱到1036×1036像素的缩略图。这个尺寸的选用经过了尽心的筹划和实验考据，既能保持文档合座结构的可见性，又能大幅胁制筹划资本。在这个阶段，模子主要注重的是文档的全局布局分析，就像观看领先要了解案发现场的合座情况一样。

这个全局分析过程会识别出文档中的万般元素：哪些区域是标题，哪些是正文段落，哪些是表格，哪些是数学公式，哪些是图片。更紧迫的是，它还会判断这些元素的阅读规定和可能的旋转角度。这就好比观看在现场勘查时，不仅要找出通盘的痕迹，还要主张这些痕迹之间的逻辑关联。

在第二阶段，MinerU2.5就像拿着放大镜仔细查验每个痕迹的观看。基于第一阶段识别出的布局信息，它会从原始高分辨率图像中精准地剪辑出每个感兴致的区域，然后对这些区域进行直快化的内容识别。这些剪辑出的图像块会保持原始分辨率，确保不会丢失任何细节信息。

这种遐想的玄机之处在于，它完满地处治了传统方法的两大痛点。领先，它幸免了平直处理通盘高分辨率图像带来的巨大筹划支拨。征询团队的实验标明，这种方法不错将筹划资本胁制一个数目级。其次，它保持了内容识别的高精度，因为在第二阶段处理的都是原始分辨率的图像块，不会因为压缩或缩放而丢失紧迫细节。

更紧迫的是，这种两阶段遐想还带来了罕见的平允。由于布局分析和内容识别被分离开来，通盘系统的可解释性大大增强。当出现无理时，用户不错明晰地知谈是布局识别出了问题，如故内容识别出了问题，这关于系统的调试和优化相称有价值。同期，这种遐想还有用地缓解了大型语言模子常见的"幻觉"问题，因为模子在每个阶段都有明确的任务主张，阻截易产生捉风捕月的内容。

三、模子架构：小而精的遐想形而上学

MinerU2.5的模子架构体现了"小而精"的遐想形而上学，就像一把尽心打造的瑞士军刀，诚然体积不大，但每个组件都经过尽心优化，阐述着弱点作用。

通盘模子由三个中枢组件组成，就像一个高效团队的三个弱点成员。领先是视觉编码器，它就像团队中的"不雅察员"，认真主张和处理图像信息。这个编码器领受了6.75亿参数的NaViT架构，这是一种简略处理任性分辨率图像的先进时刻。与传统的固定分辨率处理时势不同，NaViT就像一个有弹性的橡皮筋，简略自顺应地处理万般尺寸和比例的图像，这关于文档解析来说至关紧迫，因为文档的页面尺寸和比例时常天悬地隔。

第二个组件是语言模子解码器，它就像团队中的"翻舌人"，认真将视觉信息更动成东谈主类不错主张的翰墨。征询团队选用了一个5亿参数的Qwen2-Instruct模子行为基础。这个选用看似保守，但本色上相称理智。文档解析任务诚然复杂，但主要的挑战在于视觉主张而非语言生成，因此不需要过大的语言模子。这就好比处治一个数学题，弱点在于主张题目的道理，而不是用何等丽都的语言来抒发谜底。

第三个组件是补丁合并器，它就像团队中的"和谐员"，认真将视觉信息和语言信息有用地团结起来。这个组件使用了像素反混洗时刻，将相邻的2×2视觉标记团员在全部，然后再传递给语言模子。这种遐想在保持性能的同期，权贵提高了筹划着力。

为了更好地处理文档中常见的万般分辨率和长宽比，征询团队还对模子进行了特殊的优化。他们将原来的一维旋转位置编码替换为多维旋转位置编码，这就像给模子装上了一个愈加精准的GPS系统，简略更好地主张图像中各个元素的空间关联。

这种精简而高效的架构遐想使得MinerU2.5在保持刚烈功能的同期，具有了出色的部署纯真性。比较那些动辄几百亿参数的大型模子，MinerU2.5就像一辆高效的微型跑车，既能跑得快，又不需要太多的燃料，不错在万般不同的硬件环境中结实运行。

四、试验政策：三步走的成长之路

MinerU2.5的试验过程就像培养一个从零脱手学习文档处理的学生，需要履历三个顺次渐进的学习阶段，每个阶段都有明确的学习主张和试验要点。

第一个阶段是"模态对王人"，就像教一个学生同期学会看图和言语。在这个阶段，模子需要设置起视觉信息和语言信息之间的基本对应关联。征询团队领先冻结了视觉编码器和语言模子的参数，只试验中间的指令层，让模子学会若何将看到的图像内容更动谚语言态状。这就好比先素养生主张苹果的相貌，然后教他说出"苹果"这个词。

接下来，征询团队解冻了通盘参数，让模子进行更全面的学习。在这个子阶段，模子不仅要学会基本的视觉-语言对应关联，还要掌抓基础的OCR智商。试验数据包括了图像标注、视觉问答、文本图像平等多种类型，就像让学生同期进修看图言语、回应问题和阅读主张。

第二个阶段是"文档解析预试验"，这是模子实在脱手成心学习文档处理妙技的阶段。在这个阶段，模子需要同期掌抓两项中枢智商：布局分析和内容识别。布局分析就像学会快速浏览一篇著作，主张那处是标题、那处是段落、那处是表格。内容识别则像学会仔细阅读每个部分的具体内容，包括普通翰墨、数学公式和表格数据。

为了确保试验的全面性，征询团队准备了一个包含690万样本的大鸿沟数据集。这个数据集就像一个巨大的进修册，包含了230万个布局分析样本、240万个文本识别样本、110万个公式识别样本和110万个表格识别样本。模子在这个阶段需要试验2个完整的轮次，确保对万般类型的文档都有充分的主张。

第三个阶段是"文档解析微调"，这个阶段的要点是让模子掌抓处理复杂和繁重情况的智商。就像一个学生在掌抓了基础常识后，需要通过作念难题来提高我方的水平。征询团队尽心构建了一个包含63万样本的高质地数据集，这些样本都是经过尽心筛选的繁重案例和高质地示例。

在这个阶段，数据的质地比数目更紧迫。征询团队不仅从预试验数据中筛选出高质地的万般化样本，还成心网罗了一些模子在预试验阶段阐扬欠安的繁重案例，并对这些案例进行了东谈主工标注。这就像为学生准备了一套精选的难题集，每谈题都针对特定的薄弱设施。

为了增强模子的鲁棒性，征询团队还在试验过程中加入了万般数据增强政策。这些政策模拟了履行寰球中可能遭受的万般文档质地问题，比如无极、歪斜、光照不均等。这就像让学生在万般不同的环境下进修，确保他们在濒临实在寰球的挑战时简略安稳应付。

五、数据引擎：打造高质地试验素材的智能工场

MinerU2.5简略达到如斯出色的性能，离不开一个刚烈的数据引擎的撑持。这个数据引擎就像一个高度自动化的智能工场，简略从海量的原始文档中筛选、加工和坐褥出高质地的试验数据。

通盘数据处理历程分为三个主要阶段，每个阶段都有明确的主张和尽心遐想的处理政策。第一个阶段是数据筛选，就像在一个巨大的藏书楼中挑选最有价值的册本。征询团队濒临的是一个包含多半采集数据和生意采购文档的庞杂数据池，但这些原始数据存在严重的长尾散布问题，就像藏书楼中某些类型的册本绝酌定，而另一些类型的册本却很少。

为了处治这个问题，征询团队遐想了一套多维度的平衡政策。在布局万般性方面，他们使用页面级图像聚类时刻，从万般不同的视觉布局和立场中选用代表性样本。在文档类型万般性方面，他们应用文档的元数据信息，如学科分类、标签等，进行分层抽样，确保学术论文、教科书、汇报、演示文稿等万般类型的文档都有平衡的代表性。在元素平衡方面，他们使用初步的检测模子来确保标题、段落、表格、公式、图片等弱点元素在数据齐集有平衡的散布。在语言平衡方面，他们相当提神守护汉文和英文文档的相当比例。

第二个阶段是预试验数据准备，这个阶段的主张是为筛选出的数据生成高质地的标注。征询团队领先使用他们之前开发的MinerU2活水线生成开动标注，然后使用成心的巨匠模子对这些标注进行直快化改进。关于文本内容，他们使用刚烈的Qwen2.5-VL-72B-Instruct模子来考据和改进文本识别终结。关于公式内容，他们使用我方从头试验的UniMERNet模子来生成更高保真度的公式识别终结。关于表格内容，他们使用自研的高性能表格解析模子从头生成通盘的表格结构。

第三个阶段是微调数据构建，这个阶段的要点是识别和处理繁重案例。征询团队开发了一种创新的"推理一致性迭代挖掘"政策，这种政策的中枢念念想是应用模子推理过程中的赶快性来识别繁重样本。当模子对某个样本有充分的主张时，屡次推理的终结应该高度一致。相背，要是屡次推理的终结各别很大，说明这个样本位于模子的决策鸿沟隔邻，是一个需要要点注重的繁重案例。

具体兑面前，征询团队会让模子对澌灭个样本进行屡次推理，然后筹划这些终结之间的一致性。关于布局分析任务，他们使用PageIoU筹划来接洽屡次布局检测终结之间的相似度。关于公式识别任务，他们使用CDM筹划来评估屡次识别终结的一致性。关于表格识别任务，他们使用TEDS筹划来接洽表格结构识别的一致性。那些一致性得分较低的样本会被自动标记为繁重案例，然后交给东谈主工巨匠进行精准标注。

这种智能化的数据处理历程不仅大大提高了数据质地，还权贵胁制了东谈主工标注的责任量。通过将有限的东谈主工资源齐集在最有价值的繁重案例上，征询团队简略以最高的着力赢得最大的性能升迁。

六、任务从头界说：让机器更好地主张文档结构

MinerU2.5的另一个紧迫创新在于对传统文档解析任务的从头界说和增强。征询团队不安闲于肤浅地沿用现存的任务界说，而是从本色应用需求开赴，对布局分析、公式识别和表格识别这三个中枢任务进行了系统性的改进。

在布局分析方面，征询团队领先处治了一个长久困扰该领域的问题：枯竭融合的标注体系。现存的数据集在元素界说、粒度和范围方面存在庸碌的不一致性，就像不同的舆图使用不同的瑰丽系统，让东谈主没衷一是。征询团队遐想了一套端倪化和全面的标注体系，这套体系罢黜三个弱点原则。

领先是全面阴私原则，他们的标注体系包含了其他系统频繁忽略的非正文内容，如页眉、页脚、页码等。这些元素关于下流应用如检索增强生成相称紧迫。其次是直快粒度原则，他们将复杂元素进行细分，比如将图片细分为图像、图表、化学结构等不同类型，并为有关的标题分拨独处的标签。终末是语义分辩原则，他们为视觉上不同的文本块如代码、算法、参考文件、列表等分拨独处的类别，以保留紧迫的语义信息。

更紧迫的是，征询团队将布局分析从头界说为一个多任务问题，在单次推理中同期展望每个文档元素的四个弱点属性：位置、类别、旋转角度和阅读规定。这种集成遐想有用处治了旋转元素的解析挑战，并简化了通盘文档分析历程。

为了更好地评估布局分析的质地，征询团队还忽视了一个新的评推测划PageIoU。传统的基于IoU的评估方法在处理文档布局时存在显着的局限性，因为文本块的鸿沟时常是无极的。PageIoU通过筹划页面级别的阴私一致性，简略更好地响应布局分析的本色质地。

在公式识别方面，征询团队识别出现存模子在处理长公式或多行公式时容易出现结构性幻觉的问题。他们忽视了"合座-部分"解耦的形而上学，将公式分为原子公式和复合公式两种类型。原子公式是最小的、不能分割的语义单位，具有紧密的二维拓扑结构。复合公式则是原子公式的有序汇聚，通过特定的对王人关联垂直组合而成。

基于这种分类，征询团队开发了原子分解与重组框架。这个框架领先通过布局分析将复合公式分解为原子公式序列，然后对每个原子公式进行高精度识别，终末将识别终结结构化地从头组合。这种"分而治之"的政策将一个繁重的识别任务更动为一系列肤浅的任务，既确保了每个组件的高保真度识别，又保持了合座结构的逻辑完整性。

在表格识别方面，征询团队针对复杂长表格的解析挑战，忽视了一种四阶段识别历程。前两个阶段处理几何活动化，系统检测表格的鸿沟框和旋转角度，然后通过剪辑和旋转将图像校正到活动标的。第三个阶段是弱点的表格识别阶段，征询团队领受了优化表格结构语言行为中间暗示。这种语言比较HTML具有权贵上风，其节约遐想与表格的视觉二维矩阵平直对应，将结构标记从28个以上减少到仅5个，平均序列长度镌汰约50%。第四个阶段是将OTSL输出更动为活动HTML的平直更动过程。

七、性能阐扬：全面超越现存时刻的里程碑

MinerU2.5在各项评估中展现出的性能阐扬不错说是文档解析领域的一个紧迫里程碑。征询团队在OmniDocBench这个包含1355个文档页面的泰斗测试集上进行了全面的性能评估，终结透露MinerU2.5在的确所缠绵上都达到了新的时刻高度。

在合座性能方面，MinerU2.5赢得了90.67分的空洞得分，这个收成不仅超越了通盘的通用大型语言模子，包括GPT-4o、Gemini-2.5 Pro、Qwen2.5-VL-72B等，也超越了通盘成心针对文档解析优化的模子，如dots.ocr、MonkeyOCR等。更令东谈主印象深化的是，MinerU2.5仅用12亿参数就达到了这样的性能，而很多被超越的模子都有着几十倍致使上百倍的参数目。

在文本识别方面，MinerU2.5的编订距离仅为0.047，这意味着它的文本识别准确率极高，的确不会出现无理。这个收成致使卓绝了成心优化的文本识别系统。在公式识别方面，MinerU2.5的CDM得分达到88.46，在这个相当具有挑战性的任务上设置了新的性能标杆。数学公式的识别一直是文档解析中最繁重的任务之一，因为公式不仅包含复杂的瑰丽，还有严格的结构要求。

在表格识别方面，MinerU2.5的TEDS得分达到88.22，TEDS-S得分更是高达92.38。表格识别的难点在于需要同期主张表格的结构和内容，相当是处理复杂的跨行跨列情况。MinerU2.5在这方面的出色阐扬证明了其刚烈的结构主张智商。

在阅读规定展望方面，MinerU2.5的编订距离仅为0.044，这标明它简略准阐发识文档的逻辑结构和阅读历程。这关于文档的自动化处理和信息索要具有紧迫意旨。

相当值得提神的是，MinerU2.5在不同类型的文档上都阐扬出了结实的高性能。不管是学术论文、教科书、杂志、报纸如故财务汇报，它都能保持一致的高质地解析着力。这种泛化智商关于本色应用来说相称紧迫，因为实在寰球中的文档类型天悬地隔。

在筹划着力方面，MinerU2.5相似阐扬出色。在A100 80G GPU上，它简略达到每秒2.12页的处理速率和每秒2337.25个标记的生成速率。比较其他模子，MinerU2.5在MonkeyOCR-Pro-3B的基础上兑现了4倍的速率升迁，比dots.ocr快了7倍。这种高着力使得MinerU2.5在大鸿沟文档处理场景中具有显着的上风。

更紧迫的是，即使在莫得任何部署优化的情况下，MinerU2.5的基线性能就还是卓绝了其他经过优化的模子。这标明其架构遐想的内在着力，为本色部署提供了更大的优化空间。

八、本色应用：从实验室到履行寰球的越过

MinerU2.5的时刻冲破不单是停留在实验室的性能筹划上，它在本色应用中展现出的智商更是令东谈主谛视。征询团队通过多半的本色案例展示了MinerU2.5若何处治履行寰球中的文档处理挑战。

在学术文件处理方面，MinerU2.5展现出了处理复杂学术论文的刚烈智商。学术论文普通包含复杂的多栏布局、多半的数学公式、详实的表格数据以及万般图表。传统的文档处理器具时常在濒临这些复杂元素时力不从心，要么无法正确识别公式，要么芜杂了表格的结构，要么丢失了紧迫的布局信息。MinerU2.5简略完整地保留论文的通盘结构信息，包括页眉页脚、参考文件、图表标题等细节，同期准确识别复杂的数学公式和表格内容。

在生意文档处理方面，MinerU2.5相似阐扬出色。财务汇报、市集分析汇报、时刻文档等生意文档时常具有活动化的风光，但内容密度高，信息量大。MinerU2.5简略准确识别这些文档中的弱点信息，包括数据表格、图表说明、紧迫段落等，为企业的数字化转型提供了强有劲的时刻撑持。

相当值得一提的是MinerU2.5在处理旋转表格方面的冲破。在本色的文档中，表格频繁会因为页面布局的需要而旋转90度或其他角度。传统的处理方法时常无法正确处理这种情况，导致表格内容的识别无理。MinerU2.5通过其增强的多任务布局分析智商，简略准确检测表格的旋转角度，并在内容识别阶段进行相应的几何校正，确保表格内容的准确识别。

在多语言文档处理方面，MinerU2.5展现出了优秀的跨语言智商。当代文档频繁包含中英文混杂的内容，相当是在学术论文和时刻文档中。MinerU2.5简略准确识别和处理这种混杂语言的情况，包括中英文混杂的数学公式、表格标题等复杂情况。

征询团队还相当注重了MinerU2.5在处理低质地文档方面的阐扬。履行寰球中的文档时常存在万般质地问题，如扫描无极、光照不均、歪斜变形等。通过在试验过程中加入万般数据增强政策，MinerU2.5对这些质地问题阐扬出了邃密的鲁棒性，简略在万般不睬想的要求下保持结实的性能。

在部署便利性方面，MinerU2.5的轻量化遐想使其简略在万般不同的硬件环境中结实运行。不管是高端的作事器GPU如故普通的消费级显卡，MinerU2.5都简略提供可接收的性能。这种纯真性关于本色应用来说相称紧迫，因为不是通盘的用户都有要求使用首先进的硬件蛊卦。

说到底，MinerU2.5代表了文档解析时刻发展的一个紧迫鬈曲点。它不仅在时刻筹划上达到了新的高度，更紧迫的是，它证明了通过玄机的架构遐想和试验政策，不错用相对较小的模子达到致使超越大型模子的性能。这种"小而精"的遐想形而上学为AI时刻的普及和应用开辟了新的谈路。

从更众多的视角来看，MinerU2.5的见效也为其他AI应用领域提供了有价值的启示。它展示了若何通过任务分解、成心优化和高质地数据来处治复杂的AI问题，这种方法论关于推进通盘AI领域的发展具有紧迫意旨。

将来，跟着MinerU2.5时刻的进一步完善和实行，咱们不错期待看到更多基于这种时刻的创新应用。不管是讲明领域的智能化课本处理，如故企业级的文档料理系统，或者是征询机构的文件分析器具，MinerU2.5都有望阐述紧迫作用，实在兑现让文档解析变得像看图言语一样肤浅的主张。

Q&A

Q1：MinerU2.5比较传统文档解析方法有什么上风？

A：MinerU2.5领受创新的两阶段解析政策，先进行全局布局分析，再进行局部直快识别，幸免了传统活水线方法的无理传播问题，同期比平直处理高分辨率图像的方法着力高一个数目级。它惟有12亿参数，却在文本、公式、表格识别等任务上全面超越了包括GPT-4o在内的大型模子。

Q2：MinerU2.5能处理哪些类型的复随笔档？

A：MinerU2.5简略处理万般复随笔档，包括多栏学术论文、包含复杂数学公式的时刻文档、带有旋转表格的汇报、中英文混杂的文档等。它相当擅所长理传统方法难以应付的旋转元素、无边框表格、长公式等挑战性内容，同期能保留页眉页脚等完整的文档结构信息。

Q3：普通用户若何使用MinerU2.5？

A：MinerU2.5还是开源并提供了完整的代码和模子，用户不错通过GitHub获取。由于其轻量化遐想，即使在普通的消费级GPU上也能运行，处理速率达到每秒2.12页。征询团队还提供了基于vLLM的高效部署有筹划，营救批量处理和异步推理，符合万般鸿沟的应用需求。