MinerU2.5：高分辨率文档解析模型 12亿AI击败720亿巨头

MinerU2.5，这是一种拥有 1.2B 参数的高效视觉语言模型，旨在解决高分辨率文档解析中的计算冗余和幻觉问题。该模型采用两阶段解析策略，首先通过下采样图像进行全局布局分析，随后利用布局结果对原始高分辨率图像的局部区域进行精确的内容识别。结合定制的数据引擎和迭代挖掘策略（IMIC），MinerU2.5 在文本、表格和数学公式识别等多个公开基准测试中展现出卓越的准确性。同时，通过优化推理管道和部署架构，该模型在保持极低计算开销的同时实现了行业领先的端到端吞吐量。