MinerU2.5：高分辨率文档解析的解耦式视觉语言模型革命

引言：文档智能的痛点与破局之道

在AI驱动的文档智能时代，如何让机器“看懂”复杂的PDF、扫描文档、科研论文、报表与教材，一直是计算机视觉与自然语言理解交叉领域的重大挑战。传统OCR流水线虽可解释性强但存在“错误传播”与维护成本高的问题，而通用视觉语言模型（VLM）虽具强大的语义理解能力，却常被O(N²)复杂度与幻觉问题束缚。上海人工智能实验室、北大与交大团队联合推出的MinerU2.5，通过“解耦式视觉语言架构”实现了效率与精度的平衡，在多个公开基准上超越Gemini 2.5 Pro、GPT-4o等通用大模型，为文档解析这一老课题注入了新的范式。

一、解耦架构：粗到细的两阶段解析范式

MinerU2.5的核心创新在于“粗到细（coarse-to-fine）”的两阶段解耦架构。第一阶段（全局布局分析）将高分辨率文档缩放为1036×1036缩略图，快速检测文本块、表格、公式等版面元素的位置与类型，捕获全局语义关系。第二阶段（局部内容识别）则根据布局信息回溯原始高分辨率文档，对各区域执行细粒度识别。这种设计带来三大直接收益：计算成本减少一个数量级、解析过程可解释且可独立优化、有效抑制“幻觉”现象。

二、模型设计：视觉-语言双引擎的深度融合

视觉编码器：NaViT原生分辨率感知

视觉编码器采用675M参数的NaViT（Native Resolution Vision Transformer）结构，支持动态分辨率输入。其核心机制包括：

动态Patch分块与Batch混合：通过Padding + Masking机制允许每张图以原生分辨率划分patch，实现跨尺寸图像的批处理训练

二维相对位置编码（2D-RoPE）：在水平与垂直方向分别编码相对位置，理解表格单元格行列关系等二维结构

P