MinerU2.5：专为高分辨率文档设计的智能解析工具

什么是MinerU2.5

主要特点

• 两阶段解析提升效率：初期阶段通过缩略图快速识别文档整体结构，明确文本块、表格及公式的位置；随后在关键区域使用原始分辨率进行精细化内容识别，有效控制计算开销并保留细节。

• 超越主流模型的准确度：虽然参数量仅为1.2B，但在OmniDocBench、olmOCR-bench等基准测试中，其解析准确率全面优于Gemini 2.5 Pro、GPT-4o、Qwen2.5-VL-72B等通用多模态模型，也领先于dots.ocr、MonkeyOCR等专业OCR工具。

• 应对复杂场景的能力：其多模态融合架构能够有效处理传统OCR难以应对的情况，比如缺失表格线、倾斜文字、复杂排版等。即使面对插图干扰、模糊影像、低分辨率扫描件等挑战，依然保持稳定表现，同时支持超过20种语言的混排识别。

• 轻量部署，高速处理：模型体积小，易于集成至各类平台。在常见的消费级显卡如RTX 3090或4090上，每秒可处理1.7至2页文档，适合用于知识库构建、批量文档提取等场景。

• 多任务整合与结构化输出：单次推理即可完成元素定位、类别识别、角度判断和阅读顺序分析等多个任务。输出格式支持Markdown和JSON，便于后续数据处理和系统接入。

核心亮点

• 高效的解耦式处理结构：通过第一阶段快速识别文档整体布局，第二阶段聚焦局部细节，实现计算成本和精度之间的理想平衡。

• 行业领先的性能测试结果：在多个权威测试平台上，其表现远超通用大模型及多种专业OCR系统，尤其在复杂文档的识别效果上更胜一筹。

• 创新的多任务处理机制：不再单独处理版面分析的每个环节，而是在一次推理中完整输出元素位置、类型、角度和阅读顺序，提升处理效率。

• 部署灵活与实用性强：在普通硬件上也能流畅运行，便于企业或研究机构在本地快速部署，满足实际业务对高效率和低成本的需求。

获取方式

• HuggingFace模型页面

• arXiv技术论文

适用对象

• 企业数字化团队：非常适合合同、报告、档案等大量文书的电子化处理需求，能够大幅提升检索增强生成系统中的知识录入效率。

• 开发与工程团队：模型小巧、完全开源，在RTX 4090等消费级显卡上即可运行，非常适合有自主OCR能力部署需求的技术团队。

• 研究人员与学术机构：提供多语言、多格式文档解析能力，为相关领域的进一步研究与模型优化提供良好的基础。

• 金融、法律及公共事务单位：面对复杂结构的表单与合同，MinerU2.5具备的高精度解析能力能有效满足这类机构对信息提取准确率的严格要求。