ARTICLE · 1165739
AI资讯10月:Docling、MinerU更新,PDF与会议录音入库该关注什么?
知识库答非所问，问题有时出在资料进入模型的第一步：扫描页漏字、表格错列、多人录音分不清发言人。本期梳理三条国内外开源动态，关注它们对 AI 资料处理的实际意义。
01｜Docling：OCR 模型可选大小，代码和公式转换继续修复
发布时间：10 月 3 日 19:27，北京时间。 Docling 发布 v2.133.0，新增 RapidOCR 模型大小配置；修复 Markdown 代码块首行缩进，以及公式、代码批处理失败时未保留已提取文本等问题。[1]
工具与场景：技术资料接入 AI 问答。 Docling 用于文档转换。团队整理产品手册、技术规范时，可先转换成保留标题、表格等结构的文本，再切分章节建立索引。缩进和公式看似是格式细节，却可能影响代码理解和后续回答。
例如，把一份含扫描页与代码示例的设备手册接入内部助手，先检查转换结果中的命令缩进、表格列和公式，再让助手回答“这个参数如何配置”，并要求返回原页依据。
模型大小可配置，提供了资源与效果之间的选择；发布说明没有给出统一的速度或准确率提升结论，实际取舍仍需用自己的文件验证。
02｜MinerU：修复 PDF 词间空格与 WebUI 预览问题
发布时间：9 月 28 日、29 日，北京时间。 国内 OpenDataLab 项目 MinerU 先发布 4.0.9，改动包括原生 PDF 文本的词间空格重建与并发渲染复用；4.0.10 随后修复非安全上下文中 crypto.randomUUID 不可用时，WebUI 预览等功能失效的问题。[2]
工具与场景：研究报告批量入库。 MinerU 用于解析 PDF 等文档。英文词被黏成一串，可能干扰关键词匹配和实体识别；网页能够预览，则只是资料处理流程中的一环。
可先准备四类验收样本：扫描 PDF、双栏报告、中英混排表格、含公式材料。逐项检查标题顺序、金额、表格列与原页对应关系，再将解析文本交给检索系统。例如问一份财报“收入同比变化是多少”，回答应能定位到原表，而不能只给一个摘要数字。
这两次更新解决的是特定问题，不能推导所有文档都更快、更准。已经入库的旧内容是否需要重新解析，也应先做样本比对。
03｜Transformers：接入说话人分离，会议资料多一层结构
发布时间：10 月 1 日 00:46，北京时间；UTC 为 9 月 30 日。 Hugging Face 发布 transformers v5.18.0，新增 Nemotron 3 Diarization 支持。官方说明称，该模型支持流式和离线说话人分离，最多处理八位说话人；本版还加入 NemotronH Omni、HyperCLOVAX Vision V2、GTE 等模型支持。[3]
工具与场景：会议纪要、访谈与客服归档。 Transformers 为开发者提供调用模型的工具链；说话人分离用于判断“谁在什么时间说话”，需要与语音转写结合，才能整理成带发言人信息的文字稿。
例如，项目复盘录音先转写，再对齐“发言人 A／12:30—14:05”的时间段。助手总结待办时，保留文字、发言人标签与原音频位置，读者就能回听确认谁提出了哪项安排。
“发言人 A”并不天然等于真实姓名。重叠说话、噪声与口音仍会影响结果；工具库新增支持，也不等于特定设备上已经完成部署验证。
本期观察｜先把资料读对，再让模型回答
搭建 AI 助手时，可以先建立一小套验收资料：检查扫描页、表格、代码与多人音频，给文本附上文件名、页码或时间戳。
接着测试同一组问题，确认答案能回到原始依据。解析器或模型更新后，再跑一次这套样本，才更容易判断问题出在读取、检索，还是回答环节。
来源与说明
核验于 2026 年 10 月 5 日。依据官方发布页及 Releases API；上述案例为使用示例，不是性能实测。
- Docling v2.133.0｜10 月 3 日
- MinerU 4.0.9｜9 月 28 日
；4.0.10｜9 月 29 日 - Transformers v5.18.0｜北京时间 10 月 1 日
可复制的资料链接
https://github.com/docling-project/docling/releases/tag/v2.133.0
https://github.com/opendatalab/MinerU/releases/tag/mineru-4.0.9-released
https://github.com/opendatalab/MinerU/releases/tag/mineru-4.0.10-released
https://github.com/huggingface/transformers/releases/tag/v5.18.0