MinerU2.5

MinerU2.5的详细说明

MinerU2.5是由上海人工智能实验室与北京大学团队共同研发的一种创新性视觉语言模型，其专长在于快速准确地解析高分辨率文档图像。该模型的核心突破在于其独特的两阶段处理流程：首先通过低分辨率预览图迅速确定文档的整体结构和阅读路径，随后对关键区域进行高精度裁剪和原生分辨率识别。尽管参数量控制在1.2B，MinerU2.5依然能在处理8K文档时保持高准确率，实测单卡RTX 4090的运行速度可达到每秒2.12页，明显优于其他同类解决方案。特别值得一提的是，该模型针对表格、数学公式等复杂元素进行了专门优化，例如运用OTSL中间语言压缩HTML序列长度，并采用原子公式分解重组技术来消除长公式结构识别中的常见错误。

MinerU2.5的主要功能特点

• 创新的两阶段解析技术：采用”先宏观后微观”的解耦设计理念，第一阶段对降采样图像进行全局布局分析，快速识别文档中的各类结构元素；第二阶段仅对高分辨率关键区域实施精细内容识别，实现了计算效率与识别精度的理想平衡。
• 突出的性能优势：虽然参数量仅为 1.2B，但在 OmniDocBench、olmOCR-bench 等多个权威基准测试中，其综合解析能力全面超越了 Gemini 2.5 Pro、GPT-4o、Qwen2.5-VL-72B 等顶尖通用多模态模型，同时也大幅领先于 dots.ocr、MonkeyOCR 等专业文档处理工具。
• 出色的复杂场景处理能力：通过多模态融合架构，将文本识别与视觉布局分析深度融合，能有效应对表格线缺失、文本倾斜、复杂公式等传统OCR难以处理的场景。在多栏排版、插图干扰、模糊扭曲及低分辨率扫描件等极端条件下依然表现稳定，支持中英日韩等 20+ 语言的混合识别。
• 极高的实用价值与部署便捷性：模型体积小巧，易于集成，在消费级显卡（如 RTX 3090 或 4090）上即可实现每秒 1.7 至 2 页的高速解析，特别适合 RAG（检索增强生成）知识库构建、大规模文档提取等实际业务场景。
• 全面的任务支持与结构化输出：创新性地将布局分析转化为多任务问题，在单次推理中同步预测文档元素的位置、类别、旋转角度和阅读顺序。支持将解析结果输出为 Markdown、JSON 等多种结构化格式，便于后续处理和应用。

MinerU2.5的核心优势

• 先进的两阶段解析架构：采用解耦策略，第一阶段对降采样图像进行高效的全局布局分析，识别文档结构元素；第二阶段则在原生分辨率下对高分辨率区域进行细粒度内容识别，有效平衡了计算开销与细节保留。
• 卓越的性能表现：在OmniDocBench、olmOCR-bench等多个权威基准测试中，其综合解析精度全面超越了Gemini 2.5 Pro、GPT-4o、Qwen2.5-VL-72B等顶级通用多模态大模型，同时也显著领先于dots.ocr、MonkeyOCR、PP-StructureV3等专业文档解析工具。
• 增强的多任务范式：将布局分析重新定义为一项多任务问题，在单次推理中同时预测文档元素的位置、类别、旋转角度和阅读顺序，有效解决了旋转元素解析等复杂挑战。
• 极高的实用性与效率：模型小巧，易于集成，能在消费级显卡上实现每秒1.7页的高速解析，非常适合RAG（检索增强生成）知识库构建、大规模文档提取等实际应用场景。

MinerU2.5的官方资源

• HuggingFace模型库：https://huggingface.co/opendatalab/MinerU2.5-2509-1.2B
• arXiv技术论文：https://arxiv.org/pdf/2509.22186

MinerU2.5的目标用户群体

• 企业数字化与知识管理团队：适用于需要处理大量合同、报告、档案等纸质文档数字化的企业，能高效完成扫描件、PDF等非结构化数据的解析与入库，显著提升RAG（检索增强生成）知识库的构建效率。
• 开发者与AI工程团队：模型完全开源且参数量小（1.2B），支持在消费级显卡（如RTX 4090）上部署，非常适合希望集成高性能OCR能力到自身产品中的开发者和工程团队，无需依赖大型闭源API。
• 研究机构与学术界：为文档理解、多模态大模型等领域的学术研究提供了一个强大的开源基线模型，研究者可基于其进行进一步实验、微调或方法对比。
• 金融、法律与政府机构：需处理大量结构复杂的表格、合同和表单，MinerU2.5在复杂排版和缺失表格线的场景下表现优异，能满足其对高精度、结构化信息提取的严苛需求。