报告概述

日前，上海人工智能实验室（上海AI实验室）全面上线新一代文档解析大模型——MinerU2.5，其核心创新在于采用解耦的两阶段解析策略，将全局布局分析与局部内容识别分离，既保证了高精度又显著提升了计算效率。该模型以1.2B参数规模，在布局检测、文本识别、表格识别、公式识别等核心任务上取得全面突破，在文档解析主流评测基准**OmniDocBench、olmOCR-bench及Ocean-OCR上均取得优异成绩，**超越Gemini2.5-Pro、GPT-4o、Qwen2.5-VL-72B等多模态通用大模型以及dots.ocr、MonkeyOCR、PP-StructureV3等文档解析专业模型和工具。

技术报告：https://arxiv.org/abs/2509.22186

开源项目：https://github.com/opendatalab/MinerU

开源模型：https://huggingface.co/opendatalab/MinerU2.5-2509-1.2B

在线使用：https://mineru.net/OpenSourceTools/Extractor

模型架构与核心设计

MinerU2.5的架构基于Qwen2-VL框架，包含三个核心组件：

• 语言模型：采用50亿参数的Qwen2-Instruct解码器（从Qwen2-Instruct-0.5B初始化），使用M-RoPE适配多分辨率输入；
• 视觉编码器：基于NaViT的6.75亿参数编码器（从Qwen2-VL-2B-Instruct初始化），采用2D-RoPE进行位置编码，支持动态分辨率处理；
• 图像块合并器（Patch Merger）：在效率和性能之间取得平衡，通过相邻的2×2视觉token上使用像素反洗牌（pixel-unshuffle），优化计算效率。

▲MinerU2.5 技术架构

两阶段解析策略

1. 阶段一（布局分析）：将输入图像统一降采样至1036×1036像素，快速提取文档结构（如段落、表格、公式区域），避免高分辨率计算开销——过小会导致细节丢失，过大则会触发NaViT的二次复杂度。
2. 阶段二（内容识别）：根据布局结果裁剪原图区域（最高分辨率2048×28×28像素），分别进行文本、公式和表格的精细识别，保留细节信息——避免了因裁剪区域过小而导致的细节丢失，又防止了因区域过大而产生的冗余计算。

训练与数据引擎

三阶段训练流程

1. 模态对齐：使用视觉问答（VQA）数据对齐视觉与语言表征；
2. 文档解析预训练：在大规模自动标注数据上学习布局分析与内容识别；