论文页面 - MinerU2.5：一种用于高效高分辨率文档解析的解耦视觉语言模型

来源：https://huggingface.co/papers/2509.22186 发布于 2025 年 9 月 26 日

·

由 https://huggingface.co/taesiri 提交

taesiri (https://huggingface.co/taesiri) 于 2025 年 9 月 29 日

#2 每日最佳论文 (https://huggingface.co/papers/date/2025-09-29) 作者：

，

，

，

，

，

，

，

，

，

，

，

，

，

摘要

MinerU2.5 是一个拥有 12 亿参数的文档解析视觉语言模型，通过由粗到细的解析策略，在保持计算效率的同时实现了最先进的识别准确率。

我们介绍了 MinerU2.5，这是一个拥有 12 亿参数的文档解析 (https://huggingface.co/papers?q=document%20parsing) 视觉语言模型，它在保持卓越计算效率的同时实现了最先进的识别准确率。我们的方法采用了一种由粗到细 (https://huggingface.co/papers?q=coarse-to-fine)、两阶段解析 (https://huggingface.co/papers?q=two-stage%20parsing) 策略，将全局布局分析 (https://huggingface.co/papers?q=layout%20analysis) 与局部内容识别 (https://huggingface.co/papers?q=content%20recognition) 解耦。在第一阶段，模型在降采样图像 (https://huggingface.co/papers?q=downsampled%20images) 上执行高效的布局分析以识别结构元素，从而避免处理高分辨率输入带来的计算开销 (https://huggingface.co/papers?q=computational%20overhead)。在第二阶段，在全局布局的指导下，它对从原始图像中提取的原分辨率裁剪块 (https://huggingface.co/papers?q=native-resolution%20crops) 执行有针对性的内容识别 (https://huggingface.co/papers?q=content%20recognition)，保留了密集文本、复杂公式和表格中的细粒度细节。为了支持这一策略，我们开发了一个综合数据引擎 (https://huggingface.co/papers?q=data%20engine)，为预训练 (https://huggingface.co/papers?q=pretraining) 和微调 (https://huggingface.co/papers?q=fine-tuning) 生成多样化、大规模的训练语料库。最终，MinerU2.5 展示了强大的文档解析 (https://huggingface.co/papers?q=document%20parsing) 能力，在多个基准测试中实现了最先进的性能 (https://huggingface.co/papers?q=state-of-the-art%20performance)，在各种识别任务中超越了通用模型和领域专用模型，同时保持了显著较低的计算开销 (https://huggingface.co/papers?q=computational%20overhead)。

查看 arXiv 页面 (https://arxiv.org/abs/2509.22186) 查看 PDF (https://arxiv.org/pdf/2509.22186) 项目页面 (https://opendatalab.github.io/MinerU/) GitHub 62.3k (https://github.com/opendatalab/MinerU) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2509.22186)

在你的代理中获取这篇论文：

hf papers read 2509\.22186

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 6

opendatalab/MinerU2.5-2509-1.2B 图像-文本到文本 • 10 亿 • 更新于 29 天前 • 1.49M • 356 (https://huggingface.co/opendatalab/MinerU2.5-2509-1.2B)

opendatalab/MinerU-Diffusion-V1-0320-2.5B 图像到文本 • 30 亿 • 更新于 3 月 25 日 • 29.5k • 22 (https://huggingface.co/opendatalab/MinerU-Diffusion-V1-0320-2.5B)

freakynit/MinerU2.5-2509-1.2B 图像-文本到文本 • 10 亿 • 更新于 2025 年 10 月 15 日 • 7 (https://huggingface.co/freakynit/MinerU2.5-2509-1.2B)

Mungert/MinerU2.5-2509-1.2B-GGUF 图像-文本到文本 • 5 亿 • 更新于 2025 年 10 月 20 日 • 1.91k (https://huggingface.co/Mungert/MinerU2.5-2509-1.2B-GGUF)

浏览 6 个引用此论文的模型 (https://huggingface.co/models?other=arxiv:2509.22186) ## 引用此论文的数据集 0

没有链接此论文的数据集

在数据集的 README.md 中引用 arxiv.org/abs/2509.22186 即可从此页面进行链接。

引用此论文的 Spaces 13

包含此论文的合集 22

浏览 22 个包含此论文的合集 (https://huggingface.co/collections?paper=2509.22186)