MinerU-Popo来了:让文档解析从“看懂每页”走向“读懂整篇”

近年来，以 MinerU 为代表的智能文档解析系统，已经能在单页范围内识别标题、正文、图片、表格等元素，并输出文本内容、边界框和阅读顺序。

这种方式已经能很好地回答“这一页有什么”，但是 RAG、知识库和 Agent 工作流真正需要的，不只是每一页识别出了哪些文字和表格，更是整篇文档能否被还原成连续、准确、可检索、可分析的文档级语义结构。

日前，上海人工智能实验室OpenDataLab团队联合上海交通大学等单位提出 MinerU-Popo，一个面向 OCR 输出的轻量、通用后处理框架，基于4B 参数的微调模型，适用于修复跨页表格合并、跨页段落拼接、标题层级补齐、图文关联问题，可以将页面级解析结果转化为连贯的、可用于检索和分析的文档树结构，有效增强各类文档解析模型能力。

MinerU-Popo 支持本地私有化部署，模型轻量高效，适合大规模文档处理场景，欢迎使用。

为什么不用传统方式？

要解决跨页表格合并、跨页段落拼接、标题层级补齐、图文关联问题，传统做法要么继续提升单页 OCR 精度，要么用规则拼接段落、归并标题或合并表格。但前者受限于页面边界，后者面对金融报告、学术论文、政务材料、医疗文书等多样版式时，往往难以泛化和持续迭代。

更重要的是，不同 OCR 系统的输出标签、元素粒度和结构格式并不完全一致，单独为每个系统维护一套后处理逻辑，成本高且复用性有限。

MinerU-Popo 的思路更直接，不是重新训练一个庞大的端到端文档解析系统，也不是让模型把 PDF 再识别一遍，而是选择复用已有 OCR 或版面解析模型的页面级结果，并在统一标签空间中进一步恢复文档级逻辑结构。通过标签对齐机制支持对接多种主流 OCR 系统——不同 OCR 模型的输出标签可以通过轻量规则归一化为统一标准（如 title、text、image、table 等），从而实现即插即用。

MinerU-Popo 技术框架

MinerU-Popo 将文档后处理拆解为四个核心任务：文本截断恢复、表格截断恢复、标题层级重建和图文关联。通过这些任务，它可以判断断开的段落是否应合并，分页表格是否属于同一张表，标题之间的父子关系如何组织，以及图片、表格与 caption 应该挂载到哪个章节下。

围绕这些任务，MinerU-Popo 设计了面向任务的数据引擎、动态分块与同步、文档丰富化三大模块：先筛掉无关元素，再处理长文档分块边界，最后生成文档树和节点摘要，让输出更适合检索、问答和分析。

1. 面向任务的数据引擎：先筛出真正有用的信息

训练数据质量直接影响模型效果。MinerU-Popo 会先从大规模真实 OCR 文档中，利用 VLM 按视觉外观、版面特征、文档格式、内容领域和页面长度等维度进行筛选，并按领域和长度分组采样，确保数据覆盖金融、学术、政务、医疗等多种文档类型。

随后，它会针对不同子任务做任务特定过滤：标题层级分析主要保留 title，图文关联保留 title、caption、image、table，文本截断只关注候选文本块的首尾句，表格截断则重点定位页面边界处的表格候选对。这样模型不必处理整篇文档里的所有冗余信息，而是聚焦最相关的结构线索。

2. 动态分块与同步：让长文档既能切开处理，又保持全局一致

即使经过过滤，长文档仍然很难一次性处理。简单固定分块又会带来新问题：分块边界处的文本截断可能被漏掉，后续块也可能因为缺少全局标题上下文而误判章节层级。

为此，MinerU-Popo 采用动态分块与同步策略：通过三页重叠分块保留跨页参考信息，在搜索窗口内动态确定分块边界；再利用重叠区域中相同元素的预测结果计算层级偏差，校正后续块预测；对不涉及层级偏差的任务，则合并各块结果。消融实验显示，这一策略使标题层级 TEDS 从 85.8% 提升至 90.6%，文本截断召回率从 86.6% 提升至 93.8%。

3. 文档丰富化：把预测结果组装成可用的文档树

模型完成段落连接、表格合并、标题层级和图文关联预测后，还需要把结果转成下游真正能用的文档表示。

MinerU-Popo 会基于标题层级构建章节父子关系，把文本段落、合并后的表格和关联图片挂载到对应章节节点下，形成结构化文档树。为了让这棵树更适合检索和分析，它还会做语义丰富化：当节点内容过长时，在段落边界处切分；当标题过短、检索粒度不足时，利用 LLM 为节点生成摘要，提炼关键论点、方法、趋势或结论。最终得到的文档树兼顾结构、粒度和信息完整性，可为 RAG、问答和文档分析提供高质量输入。

效果如何？

实验显示，五种主流 OCR 模型经过 MinerU-Popo 后处理后，标题层级 TEDS 提升均超过 20 个百分点。充分验证了后处理框架的通用性和有效性。

在完整训练集上，MinerU-Popo ：

● 文本截断分析精确率 87.8%、召回率 93.8%；

● 图文关联分析精确率 87.0%、召回率 79.5%；

● 标题层级 TEDS 达到 90.6%；

● 表格截断合并方法预测准确率 92.7%。

更有意思的是，MinerU-Popo 以 4B 参数量超越了 32B 的无微调通用模型（90.6 vs. 78.0），同时推理速度是同等规模模型的近两倍（0.37 vs. 0.20 文档/秒）。

下游检索分析与直接问答任务中，经过 MinerU-Popo 后处理后的文档结构，在多个 RAG 子集上超过原始 OCR 基线，并通过更简洁的节点标题和摘要降低检索延迟。

在端到端问答任务中，从文档树导出的 JSON 和 Markdown 格式也取得了更好的整体准确率。

这意味着，MinerU-Popo 解决的并不是“多识别几个字”的问题，而是复杂文档进入知识库和 Agent 工作流后，信息能被稳定召回、准确理解、可靠使用。

写在最后

从 MinerU2.5 到 MinerU-Popo，文档解析正在从单页精度竞争，进一步走向文档级语义结构恢复。前者让模型更准确地看懂页面，后者让系统更完整地读懂整篇文档。

面向未来，复杂文档能否高质量转化为 AI-Ready 数据，将直接影响大模型应用的可用性。MinerU-Popo 正是在这条链路上补上关键一环：让页面级 OCR 输出，真正变成可检索、可分析、可进入智能工作流的文档结构。