OpenDataLab 发布文档解析视觉-语言模型 MinerU2.5 技术报告

上海人工智能实验室 opendatalab 团队近日正式推出 mineru2.5 技术白皮书，全面介绍其模型结构、训练方法、数据处理流程及多项评测表现。

MinerU2.5 是一款具备 12 亿参数的解耦式视觉-语言模型，专为高分辨率文档理解而设计。项目团队同步上线了官方 Demo，用户可在线体验其强大功能。

该模型采用创新的两阶段解析机制：第一阶段对降采样图像进行整体版面布局分析；第二阶段则在原始分辨率下，针对局部区域实现文本、数学公式与表格的精细化识别。这一架构在 OmniDocBench 等多个权威基准测试中均达到领先水平（SOTA），同时兼顾高效推理与较低计算资源消耗。

MinerU2.5 能够精准保留页眉、页脚和页码等页面装饰性元素，并进一步优化了对列表项、参考文献、代码段等结构的标注精度。此外，模型支持复杂长公式解析，兼容中英文混合排版的数学表达式，并可准确识别旋转排布、无边框或部分边框的表格结构。

开源项目：https://www.php.cn/link/918b71f2ac42210cfae2f82b777c1f27 开源模型：https://www.php.cn/link/607f81b73375b618f549c6c8692c4e88 在线使用：https://www.php.cn/link/4612cc4ffdf8a7dbd4174702b9b22afd

源码地址：点击下载