MinerU2.5: Een ontkoppeld visueel-taalmodel voor efficiënte verwerking van documenten met hoge resolutie

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

September 26, 2025

Auteurs: 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

Samenvatting

We introduceren MinerU2.5, een vision-language model voor documentparsing met 1,2 miljard parameters dat state-of-the-art herkenningsnauwkeurigheid bereikt terwijl het uitzonderlijke computationele efficiëntie behoudt. Onze aanpak maakt gebruik van een grof-naar-fijn, tweestaps parsingstrategie die globale lay-outanalyse ontkoppelt van lokale inhoudsherkenning. In de eerste fase voert het model efficiënte lay-outanalyse uit op verkleinde afbeeldingen om structurele elementen te identificeren, waardoor de computationele belasting van het verwerken van hoogresolutie-invoer wordt omzeild. In de tweede fase, geleid door de globale lay-out, voert het gerichte inhoudsherkenning uit op native-resolutie uitsneden die uit de originele afbeelding zijn geëxtraheerd, waardoor fijne details in dichte tekst, complexe formules en tabellen behouden blijven. Om deze strategie te ondersteunen, hebben we een uitgebreide data-engine ontwikkeld die diverse, grootschalige trainingscorpora genereert voor zowel pretraining als fine-tuning. Uiteindelijk toont MinerU2.5 een sterke documentparsing-capaciteit, waarbij het state-of-the-art prestaties behaalt op meerdere benchmarks, zowel algemene als domeinspecifieke modellen overtreft bij verschillende herkenningstaken, terwijl het aanzienlijk lagere computationele overhead behoudt.

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.