文档＂跨页＂解析碎片化,MinerU-Popo破解＂卡脖子＂

一页PDF丢给MinerU、PaddleOCR、GLM-OCR这些VLM模型，元素类型、位置框、阅读顺序、文本内容，抠得干干净净，单页解析已经接近天花板。

可一份真实的企业文档，表格会横跨两页被劈成两半，段落翻页就断成两截，章节标题的层级关系全丢，图和它的说明文字天各一方。

单页满分，全文不及格。下游RAG检索到的全是碎片，准确率怎么可能高？

上海交通大学、上海人工智能实验室和UC Berkeley联合提出的MinerU-Popo，就是专门来补这块短板的。

不重新造OCR轮子，而是用一个4B的轻量后处理模型，把各家OCR的页级输出"缝合"成连贯的文档级结构。

一、后处理到底难在哪?

你可能会说：拼接文本、合并表格，写规则不就行了？

论文里列了三个真实挑战，条条致命：

1. 跨页几何断裂。 分页是物理的，逻辑是连续的。页底的章节标题可能管辖着下一页的内容；一个逻辑表格会被劈成"表格A"和"表格B"。

2. 解析输出冗余。 OCR结果包含全量元素，但每个任务只需要其中一小撮。做标题层级分析时，海量正文和表格全是干扰项。

3. 长文档可扩展性。 几百页的财报直接塞进轻量模型会爆上下文，而简单切块又会让前后块的层级判断"打架"——比如第一个块里的全局标题是1级，后面块缺了参照系，就会把2级标题误判成1级。

规则搞不定，通用大VLM做后处理又太贵、太慢、没法私有化部署。这就有了MinerU-Popo的解题思路。

二、四大子任务:把文档级解析拆成四个专项

MinerU-Popo的核心洞察是：文档级结构 = 四个可解的子问题。

文本截断恢复:判断相邻文本块是否被分页/分栏/插图打断，该拼就拼。

表格截断恢复:预测跨页表格是否同属一个逻辑表，并给出逐列的单元格合并策略——不仅拼起来，还要决定边界单元格是保留还是合并。

标题层级重建:这是最有意思的一个。GLM-OCR只认两级标题，Dolphin认三级，而MinerU-Popo直接预测开放式整数层级——文档嵌套多深，它就认多深，天然适配任意深度的复杂文档。

图文关联分析:给每个caption找到它的图/表，再找到管辖它的章节标题。

四个子任务各管一段，拼起来就是把页面级碎片重组成一棵文档树。

三、三个关键设计撑起4B小模型

3.1 任务导向数据引擎:让模型只看该看的

这是全文最工程化的部分。

团队从Common Crawl等真实来源收集文档，用VLM按内容领域(科技/学术/医疗/法律等)、版式、长度做文档级过滤和均衡采样，再用启发式规则做任务特定过滤:

• 层级分析 → 只留title元素
• 图文关联 → 只留title/caption/image/table
• 文本截断 → 靠首尾句和标点规则筛掉明显完整的段落，只取首句末句
• 表格截断 → 锁定页边界表格，校验列数一致性和bbox宽度

结果就是:输入token大幅缩水，干扰信息被砍掉，30K训练数据(8张H200训6小时)就把4B模型喂到90分。

3.2 动态分块+重叠同步:长文档不断层

这是解决长文档的关键一招:

• 动态分块:不是固定步长切，而是在窗口内选任务元素密度最高的页作为切点，保证重叠区有足够参照物。块与块之间留3页重叠。
• 重叠同步:以首个块为锚点，计算相邻块在重叠区域标题层级的平均偏差，逐块校准后续预测。

没有这套机制，长文档整篇硬跑的文本截断召回率会从93.8%掉到86.6%。

3.3 文档增强:为RAG而生的树结构

最后把结果组装成树:层级定父子，段落/合并表格/关联图像挂到对应章节节点下。

再做语义增强——长节点按段落边界切段(避开跨页拼接点)，LLM为每个节点生成摘要。

检索时嵌入的是"标题路径+摘要",而不是整段正文。

四、实测成绩:这才是真本事

1. 标题层级TEDS全面提升20%以上,而且是套在五个主流OCR模型上都涨:

2. 小模型吊打大模型:TEDS 90.6 vs Qwen3-VL-32B的78.0，速度0.37 vs 0.04 doc/s。领域微调+输入裁剪的威力。

3. RAG延迟最高降70%,准确率还更高:因为检索的是浓缩的标题+摘要，单次查询从68s降到约20s。

4. 端到端QA:基于文档树导出的JSON/Markdown格式在MMDA上超60%准确率，比SHT/XML格式高出一截——因为后者缺了截断恢复、层级、关联这一整套后处理。

结尾

文档解析的竞争，已经从"单页抠得准"进入到"跨页连得通"的阶段。

与其不停地卷更大的OCR模型，不如在既有输出上做一层聪明的"缝合"——4B参数、可本地部署、MIT协议开源，训练成本也就6小时。

单页满分不是终点，把碎片连成知识，才是RAG时代文档解析的终极答案。

参考资源

• https://arxiv.org/html/2605.24973
• github.com/opendatalab/MinerU-Popo