文档解析方案最新进展:MinerU2.5-Pro更新、数据工程及FlowExtract流程图解析思路

今天是2026年4月10日，星期五，北京，天气晴

来看文档解析相关前沿进展，这块依旧比较卷，两个点。

一个是传统CV方式做流程图解析思路FlowExtract，一个是MinerU2.5-Pro更新及其中的数据工程思路，重点的重点，还是要看数据怎么做的。

会有一些思路，虽然很常规。

一、传统CV方式做流程图解析思路FlowExtract

来看流程图解析的一个方案，面向ISO 5807 标准工业维护流程图的流程知识结构化提取开源纯cv pipeline【视觉语言模型在节点与文本检测尚可，但连接拓扑重建能力很弱，F1值低于0.30】，主要针对的场景是PDF/扫描版维修流程图设计【注意：主要解决的是维修/故障流程图，通用流程图适配有限，指标也不高，纯cv方式】，《FlowExtract: Procedural Knowledge Extraction from Maintenance Flowcharts》，https://github.com/guille-gil/FlowExtract，https://arxiv.org/pdf/2604.06770，核心思路是节点检测->文本提取->边提取三阶段。

重点看实现逻辑：

step1.节点检测，使用YOLOv8s定位并分类流程图符号（Process、Decision、Document、Terminator、Connector、Arrowhead（共 6 类），增强策略使用马赛克增强 + HSV 亮度变换，解决类别不平衡）【指标节点F1，98.8%】；

step2.文本提取，使用EasyOCR提取节点内文本；

step3.边（连线）提取，使用霍夫变换+箭头追踪（以箭头为锚点，判断箭头指向（尖端=目标，钝端=源方向），用概率霍夫变换回溯连线至源节点，支持直线、L型、多分支结构），重建有向边与分支逻辑【最终指标F166.7%，精度85.5%】。

二、MinerU2.5-Pro更新及其中的数据工程

继续看文档解析领域多模态方向，MinerU2.5-Pro更新，主要特点是保留MinerU2.5的1.2B参数架构，主要改动点是训练数据从不足1000万页扩至6550万，可以再回顾下这块的内卷形势：

功能侧，对齐ppocr-vl，加了流程图解析，表格带图片、表格合并、段落合并功能。

工作报告在：《MinerU2.5-Pro: Pushing the Limits of Data-Centric Document Parsing at Scale》，https://arxiv.org/pdf/2604.04771，代码在: https://github.com/opendatalab/MinerU，模型权重在: https://huggingface.co/opendatalab/MinerU2.5-Pro-2604-1.2B。

核心可以借鉴的点，还是其中的数据工程和训练方式。

1）看数据部分步骤

Step1.多样性与难度感知采样（DDAS），先对全部PDF页面做ViT-Base嵌入+K-Means聚类，再做页面级与元素级双粒度采样；简单簇下采样、困难/小簇上采样，纠正长尾分布偏移，最终把训练数据从不足1000万页扩充到6550万页，覆盖复杂嵌套表格、稠密公式、非常规版式等高难度场景；

->Step2.跨模型一致性验证（CMCV），用MinerU2.5、PaddleOCR-VL、Qwen3-VL-30B多个异构模型交叉验证，按文本编辑距离、表格TEDS、公式CDM计算一致性，自动划分三级难度：简单60%、中等25%、困难15%；简单/中等样本直接用多模型共识做可靠自动标注，不用人工；

->Step3.判别-标注流水线，针对困难样本，采用“渲染→视觉对比→迭代修正”机制：把模型输出的LaTeX公式/HTML表格重新渲染成图像，和原图对比让模型直观识别错误，多轮迭代修正标注，提升难样本标注准确率；

->Step4.目标专家标注，对自动修正仍无法解决的极难样本，优先分配标注资源；用Gemini3Pro预标注+专业人员精修，最终产出19.2万条人工标注数据，只聚焦模型最薄弱、提升最大的场景；

2）看训练方式，典型的三段式。

Step1.大规模预训练（Stage1），使用数据引擎产出的6550万页简单+中等难度自动标注样本，覆盖文本、公式、表格、版面、图像分析全任务；全参数可训练，构建全面、均衡的文档解析基础能力；

->Step2.高质量难样本微调（Stage2），使用390万混合样本，其中包含19.2万条专家标注难样本，搭配不同比例的回放数据防止遗忘,重点强化复杂表格、稠密公式等困难场景；

->Step3.GRPO强化学习对齐（Stage3），使用19.2万标注样本，以文本编辑距离、公式CDM、表格TEDS、布局IoU为直接奖励。

参考文献

1、https://arxiv.org/pdf/2604.06770

2、https://arxiv.org/pdf/2604.04771

关于我们

老刘，主页：https://liuhuanyong.github.io。

对大模型&知识图谱&RAG&文档理解等技术方向感兴趣，欢迎加入社区，社区持续纳新。

加入社区方式：关注公众号，在后台菜单栏中点击会员社区加入。