MinerU2.5：高效高分辨率文档解析模型

MinerU2.5 是由上海人工智能实验室及其合作机构开发的一种具有 12亿参数 的视觉语言模型，专门用于高效且高精度的 解析复杂文档。该模型采用了创新的 两阶段解耦策略，首先在低分辨率下进行全局 布局分析，随后对原始高分辨率图像进行局部 内容识别，从而大幅降低计算开销并减少模型幻觉。其技术核心包括针对数学公式的 ADR 框架、针对表格的 OTSL 语言，以及通过 IMIC 策略 自动筛选疑难样本的数据引擎。实验数据表明，MinerU2.5 在 OmniDocBench 等多个权威基准测试中超越了 GPT-4o 和 Gemini-2.5 Pro 等大型模型，在处理 数学公式、复杂表格 和 阅读顺序预测 方面达到了顶尖水平。作为一款轻量化且高性能的工具，它为大规模数字化文档处理和检索增强生成（RAG）提供了强有力的技术支撑。