目前一线的OCR模型，单页解析已经足够强了！

元素类型、位置框、阅读顺序、文本内容，一页一页给你抠得清清楚楚。

但是一份PDF里，表格会横跨两页，模型把上半部分解析成表格A，下半部分解析成表格B。

标题和段落也是一样，跨页的标题和段落，模型往往给出独立的解析结果。

这种逐页OCR破坏了跨页连续性，而 RAG 等下游应用需要连贯的文档级信息。

一个自然的解决方案是，复用现有OCR输出，通过后处理重建文档级逻辑结构。

上海交通大学、上海人工智能实验室等机构联合提出了MinerU-Popo，一个专门做OCR后处理的轻量级通用框架。

总参数4B，干四件事，表格截断分析、文本截断分析、标题层级分析、图文关联分析。

# PaperMinerU-Popo: Universal Post-Processing Model for Document Parsing# Arxivhttps://arxiv.org/pdf/2605.24973# Codehttps://github.com/opendatalab/MinerU-Popo

一、一个OCR后处理这么难吗？

MinerU、PaddleOCR、GLM-OCR、Dolphin、MonkeyOCR，这些VLM做的OCR模型，输出内容足够细致。

其可以从单个页面提取元素类型、边界框、阅读顺序和文本内容，每个块关联内容和坐标。

但仅仅采用轻量级规则进行归一化后处理，扩展性差。使用通用VLM进行后处理，对于海量文档来说成本高昂。

那理想的OCR后处理框架，既要扩展性强、通用性好，又要轻量级、可部署。就要解决以下挑战！

跨页连续性问题，分页破坏了文档的逻辑流，导致相关元素出现在不同页面。

冗余文档解析，文档解析输出是全面的，包含所有元素块的详细信息，如何过滤无用信息？

长文档可扩展性，处理几百页的文档，单次输入会超出轻量级模型的上下文限制。

二、MinerU 如何打造通用后处理？

既然一个文档级解析，需要跨多个页面联合分析标题、段落、表格和图像。

MinerU-Popo 就把后处理拆成四个子任务，每个子任务只接收它需要的那部分OCR信息，其余全部过滤掉。

前三个比较直白，跨页表格合并、跨页段落拼接、图文归属判断。真正有意思的是第四个，标题层级重建。

大多数OCR模型只认两级标题，好一点的认三级。MinerU-Popo预测的是开放式整数级别，文档嵌套多深，它就认多深。

把四个任务加起来，就是把页面级的碎片，重组成文档级的树。

这对下游RAG来说是刚需，你检索到的不再是一段文本，而是一个有上下文、有层级、有摘要的节点。

论文里面也做了对应的试验，在RAG和端到端QA任务上，每次查询延迟最多降低70%！

什么意思呢？比如检索一次要等1秒，现在0.3秒！整个系统体验更流畅。

之前文章有介绍过MinerU2.5，可以自己翻阅查看下，MinerU系列的确是一个可用的模型。 

最后，小伙伴们可留言回复或者公众号后台回复‘加群’进入大模型交流群、视觉应用落地交流群！

记得点击下方卡片，关注并星标码科智能！