在AI文档解析、RAG知识库搭建、企业文档结构化处理的工程场景中，PDF解析一直是核心痛点。传统解析工具普遍存在中文段落碎片化、表格错乱、格式丢失、复杂内容识别失效等问题，哪怕是主流OCR模型、开源解析工具，也难以兼顾精准度与实用性。

2026年4月6日，OpenDataLab正式发布MinerU2.5-Pro文档解析模型，仅凭极致的数据工程优化、不改动模型架构，刷新权威榜单SOTA纪录。经过多轮项目实战实测，它成功碾压Java原生解析、GLM-OCR、MarkItDown等主流方案，成为目前中文PDF结构化解析的最优工程级解决方案。

一、行业新标杆！1.2B小参数登顶全网SOTA

此次更新的MinerU2.5-Pro核心亮点极具颠覆性：保留1.2B原有模型架构，零参数扩容，纯靠数据工程实现全方位性能跃升，彻底打破了“大参数=高性能”的固有认知。

在业内权威评测集 OmniDocBench v1.6 中，MinerU2.5-Pro以95.69分的绝对高分登顶全维度SOTA，全面超越一众竞品：

• • 碾压专业OCR模型：完胜GLM-OCR、PaddleOCR-VL-1.5等主流专用模型
• • 吊打超大参数量模型：性能超越Gemini 3 Pro、235B参数的Qwen3-VL等顶尖大模型
• • 迭代提升显著：相较前代MinerU2.5，总分从92.98飙升至95.69，实现质的突破

核心单项性能全面领跑业界

MinerU2.5-Pro在文本、公式、表格三大核心解析场景，均创下行业最优数据：

• • 文本识别：文本编辑距离低至0.036，Base/Hard/Full全场景指标行业第一，文本纠错、语义还原能力拉满
• • 公式解析：密集公式识别CDM分数达97.29，覆盖常规公式、手写公式、复杂微积分公式，多场景逼近满分
• • 表格解析：表格TEDS指标较前代提升5.54分，领先行业第二名1.39分，复杂表格、带干扰线条表格、跨页表格识别精度断层领先

二、核心技术突破：不靠堆参数，数据工程定胜负

当下绝大多数文档解析模型，都依赖模型架构创新、参数扩容提升性能，但各类模型始终存在共性短板——复杂文档、长尾难样本解析失效。MinerU团队发现，行业瓶颈并非模型结构，而是训练数据缺失、标注噪声严重。

基于此，MinerU2.5-Pro搭建全新数据引擎（Data Engine），通过三大核心创新彻底解决行业痛点：

1. 1. 海量数据扩容，聚焦长尾难样本训练语料从不足10M页暴涨至65.5M页，重点补充复杂排版、手写内容、跨页表格、中英文混排等难样本，同时严控数据分布偏移，兼顾泛化性与精准度。
2. 2. 智能标注优化，消除数据噪声首创跨模型一致性校验（CMCV）+ 迭代精标流水线，针对复杂表格、密集公式等难标注内容，实现高精度自动标注，解决传统数据集标注杂乱、误差大的问题。
3. 3. 三段式渐进训练，最大化数据价值采用「大规模预训练→高质量难样本微调→GRPO格式对齐」训练策略，分层利用不同质量数据，让小参数模型充分挖掘数据潜力。

三、实测碾压！主流PDF解析方案全翻车对比

在真实工程项目落地中，我们实测了目前市面最主流的4类PDF解析方案，结果显示：除MinerU2.5-Pro外，其余工具均无法满足中文工程级结构化需求。

1. 传统Java PDF解析库（彻底淘汰）

作为后端常用方案，适配性强但缺陷致命：

• • 文本按PDF换行强制切割，无法自动合并完整中文段落，内容碎片化严重
• • 表格识别错乱，行列、单元格错位，无法结构化输出
• • 排版格式完全丢失，需要大量人工二次整理

2. GLM-OCR（短板明显）

主打通用OCR识别，却难以适配文档结构化场景：

• • 中文段落边界识别失效，上下文断裂、语句拆分混乱
• • 纯文本PDF、扫描版PDF适配兼容性差
• • 仅支持简单文字提取，无复杂表格、公式结构化能力

3. MarkItDown（中文场景完全不可用）

新晋热门解析工具，却存在核心硬伤，完全不适配中文工程场景：

• • 无法自动合并中文段落，连续正文被强制切割为短句
• • 中英文混排内容格式错乱，文本顺序混乱
• • 表格识别能力极差，直接丢失内容或乱序输出
• • 模型原生适配英文，无中文语义、排版优化

4. MinerU2.5-Pro（唯一最优解）

完美补齐所有方案短板，经过项目实战全面验证：

• • ✅ 智能合并碎片化文本，自动识别中文段落边界，输出连贯完整正文
• • ✅ 精准还原复杂表格、跨页表格、带背景干扰表格，结构化数据可直接复用
• • ✅ 同时支持原生文本PDF、扫描件OCR解析，全场景适配
• • ✅ 支持图表解析、表格内图片识别、截断段落合并，实用性拉满
• • ✅ 轻量化模型，纯CPU可运行，跨平台兼容Mac/Linux/Windows
• • ✅ JSON结果一键转Markdown，无缝适配RAG知识库、LLM数据流水线

四、新增实用能力，适配全场景工程落地

除了硬核性能提升，MinerU2.5-Pro新增多项落地级实用功能，解决行业高频痛点：

• • 图片/图表智能解析，精准提取图文混合文档有效信息
• • 截断段落自动合并，修复文档分页、换行导致的文本断裂
• • 表格内图片识别，适配图文混合复杂表格场景
• • 跨页表格自动合并（开发中，即将上线）
• • 标准化JSON转Markdown输出，适配自动化文档处理、知识库搭建

五、Mac Pro极简部署教程：纯CPU开箱即用

MinerU2.5-Pro部署门槛极低，无需高端显卡，Mac Pro纯CPU环境即可稳定运行，首次使用自动下载模型，零手动配置，适配所有工程项目。

1. 环境安装

一键安装核心依赖库：

pip install mineru

2. 命令行一键解析（生产常用）

终端直接执行，自动完成段落合并、表格结构化、格式还原：

mineru -p /Users/xxx/Documents/test.pdf -o /Users/xxx/Documents/output -b pipeline

参数说明：

• • -p：指定本地PDF文件路径
• • -o：指定解析结果输出目录
• • -b pipeline：开启全链路解析流水线，覆盖所有结构化能力

首次运行自动下载官方模型，后续离线可重复使用。

3. Python代码集成（适配业务系统）

兼容HuggingFace官方用法，可无缝集成SpringBoot、Python后端项目，实现批量自动化解析：

from mineru import MinerU# 初始化解析器，首次自动下载最新模型parser = MinerU(    model_name="opendatalab/MinerU2.5-Pro-2604-1.2B",    device="cpu"  # Mac纯CPU运行，后续支持MLX加速)# 解析目标PDF文件pdf_path = "/Users/xxx/Documents/test.pdf"result = parser.parse(pdf_path)# 输出结构化结果print("完整文本段落：n", result["text"])print("结构化表格数据：n", result["tables"])# 持久化保存结果with open("/Users/xxx/Documents/output/result.md", "w", encoding="utf-8") as f:    f.write(result["text"])

4. 高阶推理方案（高性能推荐）

项目支持两种推理后端，追求高并发场景推荐vllm引擎，单卡A100可达2.12 fps并发推理速度：

# transformers基础版pip install "mineru-vl-utils[transformers]"# vllm高性能版（推荐）pip install "mineru-vl-utils[vllm]"

六、模型开源信息（可直接商用）

• • 模型名称：MinerU2.5-Pro-2604-1.2B
• • 开源协议：Apache-2.0（免费开源，可商用）
• • 模型权重链接：https://huggingface.co/opendatalab/MinerU2.5-Pro-2604-1.2B
• • 技术论文：https://arxiv.org/abs/2604.04771

七、最终总结

经过多方案实测对比，我们可以明确得出结论：

在中文PDF结构化解析场景中，Java解析库、GLM-OCR、MarkItDown均存在不可修复的核心缺陷，无法满足工程级落地需求。而MinerU2.5-Pro凭借数据驱动的技术优势，实现了：

1. 1. 小参数碾压超大模型，性能登顶行业SOTA；
2. 2. 完美解决中文段落合并、复杂表格还原两大行业痛点；
3. 3. 轻量化易部署、跨平台兼容、开箱即用，适配各类后端项目；
4. 4. 开源免费可商用，适配LLM数据处理、RAG知识库、企业文档数字化全场景。

后续我们将持续更新Mac MLX硬件加速教程，进一步提升苹果设备本地解析速度，助力大家高效完成文档结构化开发工作。