MinerU2.5: Un modelo de visión-lenguaje desacoplado para el análisis eficiente de documentos de alta resolución

MinerU2.5: A Decoupled Vision-Language Model for Efficient High-Resolution Document Parsing

September 26, 2025

Autores: Junbo Niu, Zheng Liu, Zhuangcheng Gu, Bin Wang, Linke Ouyang, Zhiyuan Zhao, Tao Chu, Tianyao He, Fan Wu, Qintong Zhang, Zhenjiang Jin, Guang Liang, Rui Zhang, Wenzheng Zhang, Yuan Qu, Zhifei Ren, Yuefeng Sun, Yuanhong Zheng, Dongsheng Ma, Zirui Tang, Boyu Niu, Ziyang Miao, Hejun Dong, Siyi Qian, Junyuan Zhang, Jingzhou Chen, Fangdong Wang, Xiaomeng Zhao, Liqun Wei, Wei Li, Shasha Wang, Ruiliang Xu, Yuanyuan Cao, Lu Chen, Qianqian Wu, Huaiyu Gu, Lindong Lu, Keming Wang, Dechen Lin, Guanlin Shen, Xuanhe Zhou, Linfeng Zhang, Yuhang Zang, Xiaoyi Dong, Jiaqi Wang, Bo Zhang, Lei Bai, Pei Chu, Weijia Li, Jiang Wu, Lijun Wu, Zhenxiang Li, Guangyu Wang, Zhongying Tu, Chao Xu, Kai Chen, Yu Qiao, Bowen Zhou, Dahua Lin, Wentao Zhang, Conghui He

cs.AI

Resumen

Presentamos MinerU2.5, un modelo de visión y lenguaje de 1.200 millones de parámetros para el análisis de documentos que logra una precisión de reconocimiento de vanguardia mientras mantiene una excepcional eficiencia computacional. Nuestro enfoque emplea una estrategia de análisis de dos etapas, de lo general a lo específico, que desacopla el análisis del diseño global del reconocimiento del contenido local. En la primera etapa, el modelo realiza un análisis eficiente del diseño en imágenes reducidas para identificar elementos estructurales, evitando la sobrecarga computacional de procesar entradas de alta resolución. En la segunda etapa, guiado por el diseño global, lleva a cabo un reconocimiento dirigido del contenido en recortes de resolución nativa extraídos de la imagen original, preservando detalles finos en texto denso, fórmulas complejas y tablas. Para respaldar esta estrategia, desarrollamos un motor de datos integral que genera corpus de entrenamiento diversos y a gran escala tanto para el preentrenamiento como para el ajuste fino. En última instancia, MinerU2.5 demuestra una sólida capacidad de análisis de documentos, alcanzando un rendimiento de vanguardia en múltiples benchmarks, superando tanto a modelos de propósito general como a modelos específicos del dominio en diversas tareas de reconocimiento, mientras mantiene una sobrecarga computacional significativamente menor.

English

We introduce MinerU2.5, a 1.2B-parameter document parsing vision-language model that achieves state-of-the-art recognition accuracy while maintaining exceptional computational efficiency. Our approach employs a coarse-to-fine, two-stage parsing strategy that decouples global layout analysis from local content recognition. In the first stage, the model performs efficient layout analysis on downsampled images to identify structural elements, circumventing the computational overhead of processing high-resolution inputs. In the second stage, guided by the global layout, it performs targeted content recognition on native-resolution crops extracted from the original image, preserving fine-grained details in dense text, complex formulas, and tables. To support this strategy, we developed a comprehensive data engine that generates diverse, large-scale training corpora for both pretraining and fine-tuning. Ultimately, MinerU2.5 demonstrates strong document parsing ability, achieving state-of-the-art performance on multiple benchmarks, surpassing both general-purpose and domain-specific models across various recognition tasks, while maintaining significantly lower computational overhead.