MinerU2.5：一种用于高效高分辨率文档解析的解耦视觉-语言模型

介绍

MinerU2.5 是一个具有 12 亿参数的视觉-语言模型，用于文档解析，它在保持高计算效率的同时实现了最先进的准确性。它采用两阶段解析策略：首先对下采样的图像进行高效的全局布局分析，然后对文本、公式和表格的原分辨率裁剪部分进行细粒度的内容识别。通过大规模、多样化的数据引擎支持预训练和微调，MinerU2.5 在多个基准测试中始终优于通用模型和特定领域模型，同时保持较低的计算开销。

主要改进

• 全面且细致的布局分析： 不仅保留了页眉、页脚和页码等非主体元素以确保内容完整性，还采用了更精细和标准化的标注方案。这使得列表、引用和其他元素的表示更加清晰和结构化。
• 公式解析的突破： 高质量地解析复杂的长数学公式，并准确识别混合语言（中文-英文）的方程。
• 增强的表格解析鲁棒性： 轻松处理包括旋转表格、无边框表格和部分边框表格在内的挑战性情况。

快速开始

为了方便起见，我们提供了 mineru-vl-utils，这是一个 Python 包，简化了向 MinerU2.5 视觉-语言模型发送请求和处理响应的过程。这里给出一些使用 MinerU2.5 的示例。更多信息和用法，请参阅 mineru-vl-utils。

📌 我们强烈建议使用 vllm 进行推理，因为 vllm-async-engine 可以在单个 A100 上实现 2.12 fps 的并发推理速度。

安装包

# For `transformers` backend
pip install "mineru-vl-utils[transformers]"
# For `vllm-engine` and `vllm-async-engine` backend
pip install "mineru-vl-utils[vllm]"

transformers 示例

from modelscope import AutoProcessor, Qwen2VLForConditionalGeneration
from PIL import Image
from mineru_vl_utils import MinerUClient# for transformers>=4.56.0
model = Qwen2VLForConditionalGeneration.from_pretrained("OpenDataLab/MinerU2.5-2509-1.2B",dtype="auto", # use `torch_dtype` instead of `dtype` for transformers<4.56.0device_map="auto"
)processor = AutoProcessor.from_pretrained("OpenDataLab/MinerU2.5-2509-1.2B",use_fast=True
)client = MinerUClient(backend="transformers",model=model,processor=processor
)image = Image.open("/path/to/the/test/image.png")
extracted_blocks = client.two_step_extract(image)
print(extracted_blocks)

vllm-engine 示例（推荐！）

from vllm import LLM
from PIL import Image
from mineru_vl_utils import MinerUClient
from mineru_vl_utils import MinerULogitsProcessor  # if vllm>=0.10.1llm = LLM(model="OpenDataLab/MinerU2.5-2509-1.2B",logits_processors=[MinerULogitsProcessor]  # if vllm>=0.10.1
)client = MinerUClient(backend="vllm-engine",vllm_llm=llm
)image = Image.open("/path/to/the/test/image.png")
extracted_blocks = client.two_step_extract(image)
print(extracted_blocks)

vllm-async-engine 示例（推荐！）

import io
import asyncio
import aiofilesfrom vllm.v1.engine.async_llm import AsyncLLM
from vllm.engine.arg_utils import AsyncEngineArgs
from PIL import Image
from mineru_vl_utils import MinerUClient
from mineru_vl_utils import MinerULogitsProcessor  # if vllm>=0.10.1async_llm = AsyncLLM.from_engine_args(AsyncEngineArgs(model="OpenDataLab/MinerU2.5-2509-1.2B",logits_processors=[MinerULogitsProcessor]  # if vllm>=0.10.1)
)client = MinerUClient(backend="vllm-async-engine",vllm_async_llm=async_llm,
)async def main():image_path = "/path/to/the/test/image.png"async with aiofiles.open(image_path, "rb") as f:image_data = await f.read()image = Image.open(io.BytesIO(image_data))extracted_blocks = await client.aio_two_step_extract(image)print(extracted_blocks)asyncio.run(main())async_llm.shutdown()

模型架构

在 OmniDocBench 上的表现

不同元素上的表现

不同文档类型上的表现

案例演示

各种文档类型的全文档解析

表格识别

公式识别

一、MinerU2.5是什么？颠覆性文档解析黑科技

MinerU2.5是上海人工智能实验室推出的新一代多模态文档解析大模型，作为MinerU系列的重磅升级版本，它以"小参数、高性能"为核心优势，专为复杂文档的结构化提取而生。截至目前，其开源仓库已斩获2.5万+GitHub星标，连谷歌工程师都在主动安利，成为RAG项目、AI语料处理的必备工具。

核心突破：为什么它能碾压主流方案？

1. 参数与性能的极致平衡：仅1.2B参数规模，却在OmniDocBench、olmOCR-bench等权威评测中，全面超越Gemini2.5-Pro、GPT-4o等千亿级大模型，以及dots.ocr、PP-StructureV3等专业工具，实现"小身材、大能量"的技术奇迹。
2. 全场景解析精度跃升：人工评测显示，其在布局检测、表格识别、公式识别等关键任务上全面突破，普通样本解析精度媲美专业标注员，复杂样本处理能力提升30%以上。
3. 效率与成本双优：依托QwenVL2视觉编码器与工程优化，在消费级4090显卡上实现每秒1.7页的解析速度，是传统大模型方案的5-8倍，大幅降低高质量解析的算力成本。

适用场景：这些需求它能完美承接

• RAG知识库构建：精准提取文档核心信息，为大模型问答提供高质量语料，避免"垃圾进、垃圾出"
• 学术研究辅助：快速解析论文中的公式、图表、参考文献，自动转换为可编辑格式
• 企业数据处理：批量解析财报、研报、合同中的表格与关键条款，生成结构化数据
• 教育资源转化：将课本、考题中的复杂题型、公式转为数字化内容，助力智能教辅开发
• 多模态内容迁移：把PPT、扫描件、电子书等非结构化文档转为Markdown/JSON，便于二次创作

二、核心功能详解：从基础提取到高阶处理

MinerU2.5的能力覆盖文档解析全链条，无论是基础的文本提取，还是复杂的多模态元素处理，都展现出行业顶尖水准。

1. 多元素精准解析：一个都不能少

解析元素	核心能力	适用场景
文本内容	支持84种语言识别，自动过滤页眉/页脚/页码，跨页跨列文本智能拼接	书籍、杂志、网页文档提取
表格结构	突破旋转表格、无线表、少线表识别难题，保留单元格合并逻辑	财报、数据表、实验记录
数学公式	创新复合公式解耦技术，复杂长公式识别准确率超95%，输出LaTeX格式	学术论文、教材、工程图纸
图片元素	自动识别图片区域并关联标题，支持批量导出与Markdown嵌入	PPT、报告、图文混排文档
参考文献	新增文献识别功能，自动提取作者、期刊、DOI等核心信息	学术论文、综述文献

2. 格式支持与输出：灵活适配各类需求

• 输入格式全覆盖：不仅支持PDF（文本型、图层型、扫描版），还兼容图片、Word、PPT等格式（转换为PDF后即可解析）。
• 输出格式多样化：
  • 多模态Markdown：保留文本、表格、公式、图片关联关系，直接用于排版发布
  • 结构化JSON：包含页眉、脚注等完整元信息，便于开发者二次开发
  • 中间态文件：如layout.json，支持自定义加工，适配NLP训练、知识图谱构建等场景。

3. 技术架构揭秘：高效解析的底层逻辑

MinerU2.5的强大性能源于精心设计的技术管线，分为四大核心环节：

1. 文档分类预处理：自动识别文档类型（文本型/扫描版）、检测乱码，为不同文档匹配最优解析策略
2. 多模块协同解析：通过LayoutLMv3布局检测定位元素位置，YOLOv8公式检测锁定公式区域，UniMERNet识别公式内容，PaddleOCR处理文本信息
3. 智能管线后处理：修复坐标偏差、按阅读顺序排序内容、过滤无用元素，确保输出连贯性
4. 全流程质检优化：依托人工标注测评集持续迭代，可视化工具辅助质量核查

三、实操教程：从安装到解析全流程

MinerU2.5支持本地部署、Docker部署与在线试用三种方式，满足不同用户需求。以下是最常用的本地部署与基础使用指南。

1. 前期准备：环境与资源获取

• 硬件要求：推荐GPU（4090/3090等≥12G显存），CPU也可运行但速度较慢；支持昇腾、寒武纪等国产NPU
• 软件依赖：Python 3.10+，Conda环境，CUDA 12.1+（GPU加速需配置）
• 核心资源：
  • 官网：https://mineru.net/
  • GitHub代码库：https://github.com/opendatalab/MinerU
  • 线上Demo：https://mineru.net/OpenSourceTools/Extractor（无需安装即可试玩）

2. 本地部署步骤（GPU版）

第一步：创建并激活Conda环境

conda create -n MinerU python=3.10
conda activate MinerU  # 激活环境

第二步：安装核心依赖包

# 安装magic-pdf及依赖，使用阿里源加速
pip install -U "magic-pdf(full)" --extra-index-url https://wheels.myhloli.com -i https://mirrors.aliyun.com/pypi/simple
# 安装modelscope用于模型管理
pip install modelscope

第三步：下载模型文件

# 下载模型下载脚本
wget https://gcore.jsdelivr.net/gh/opendatalab/MinerU@master/scripts/download_models.py -O download_models.py
# 执行下载（默认下载到用户目录，可在脚本中修改路径）
python download_models.py

第四步：配置运行参数

模型下载完成后，用户目录会自动生成magic-pdf.json配置文件，关键参数修改如下：

{"models-dir": "/your/model/path",  # 填写模型实际存放路径"device-mode": "cuda",  # 改为"cpu"则使用CPU运行"formula-config": {"enable": true  # 开启公式识别（默认开启）},"table-config": {"enable": true,  # 开启表格识别（默认开启）"model": "rapid_table"  # 表格模型：rapid_table速度快，tablemaster精度高}
}

3. 基础使用：3行代码解析PDF

示例1：解析本地PDF为Markdown

from magic_pdf import MagicPDF# 初始化解析器
parser = MagicPDF(config_path="/your/home/path/magic-pdf.json")
# 解析PDF（支持本地文件路径或S3协议路径）
result = parser.parse_file(file_path="/test/complex_paper.pdf",output_format="markdown"  # 输出格式：markdown/json/content_list
)
# 保存结果
with open("output.md", "w", encoding="utf-8") as f:f.write(result["content"])

示例2：批量解析并过滤干扰信息

# 批量处理文件夹中的PDF
import ospdf_folder = "/test/pdf_batch"
for pdf_file in os.listdir(pdf_folder):if pdf_file.endswith(".pdf"):file_path = os.path.join(pdf_folder, pdf_file)# 解析时自动去除页眉页脚result = parser.parse_file(file_path=file_path,output_format="json",remove_header_footer=True  # 开启干扰信息过滤)# 保存JSON结果output_path = file_path.replace(".pdf", ".json")with open(output_path, "w", encoding="utf-8") as f:json.dump(result, f, ensure_ascii=False, indent=2)

4. Docker部署：快速复用环境

对于团队协作场景，Docker部署能避免环境冲突，步骤如下：

# 下载Dockerfile
wget https://gcore.jsdelivr.net/gh/opendatalab/MinerU@master/docker/china/Dockerfile -O Dockerfile
# 构建镜像
docker build -t mineru:latest .
# 运行容器（支持GPU加速）
docker run --rm -it --gpus=all mineru:latest /bin/bash -c "source /opt/mineru_venv/bin/activate && exec bash"
# 验证安装
magic-pdf --help

四、进阶技巧：解锁高效使用姿势

1. RAG项目最佳实践

将MinerU2.5与主流Agent平台结合，可快速搭建高质量知识库：

1. 使用MinerU2.5解析学术论文/行业报告，输出结构化JSON
2. 通过插件接入N8n、FastGP等Agent平台
3. 结合向量数据库存储解析后的核心信息
4. 调用大模型实现精准问答（实测问答准确率提升40%+）

2. 复杂公式与表格处理技巧

• 解析超长公式时，可在配置中开启complex_formula_decouple参数，自动拆分复合公式
• 处理扫描版表格时，建议先通过图像预处理工具增强清晰度，再用MinerU2.5解析
• 导出表格时选择latex格式，可直接用于LaTeX论文排版

3. 性能优化方案

• 批量解析时启用batch_size参数（建议设为4-8，根据显存调整）
• 非关键场景可关闭公式识别功能，解析速度提升50%
• 国产千卡级平台可通过DeepLink开放计算体系实现分布式解析，效率倍增

五、实测效果：这些场景它表现惊艳

场景1：学术论文解析

解析一篇包含12个复杂公式、8张表格的AI顶会论文，MinerU2.5仅用18秒完成，公式识别准确率100%，表格结构还原完整，而GPT-4o相同任务耗时47秒，且2个嵌套公式出现识别错误。

场景2：财报表格提取

某上市公司2024年报中的旋转45°无线表格，传统工具提取后列顺序全错，MinerU2.5自动校正方向并还原数据逻辑，与原表格误差率低于1%。

场景3：扫描版教材处理

一本1985年出版的扫描版数学课本，存在字迹模糊、页码混杂问题，MinerU2.5自动过滤污渍干扰，识别文字准确率98.2%，公式转换全部可编辑。

六、常见问题解答

Q：MinerU2.5与旧版本相比有哪些升级？
A：主要提升包括新增表格旋转识别、参考文献提取功能，优化中文公式解析精度，支持国产NPU加速，解析速度提升2倍以上。

Q：没有GPU能使用吗？
A：可以，配置文件中device-mode设为cpu即可，但复杂文档解析速度会较慢，建议优先使用GPU。

Q：支持批量解析多少个文件？
A：无固定限制，可通过脚本循环处理，4090显卡下建议单次批量不超过20个大文件（≥100页），避免显存溢出。

Q：解析结果可以直接用于大模型训练吗？
A：完全可以，其输出的content_list格式保留完整语义信息，是理想的多模态训练语料。

MinerU2.5的出现，重新定义了文档解析的"精度-效率-成本"平衡。无论是开发者构建RAG系统，还是研究者处理学术文献，或是企业进行数据结构化，这款开源神器都能大幅提升生产力。目前其正与昇腾、寒武纪等国产平台深度适配，后续还将开放更多高级功能。赶紧去GitHub星标收藏，亲身体验这份来自上海AI Lab的技术惊喜吧！