MinerU2.5：1.2B参数解耦视觉语言模型实现高效高分辨率文档解析

据论文MinerU2.5，作者Junbo Niu、Zheng Liu、Zhuangcheng Gu等提出一个1.2B参数的文档解析视觉语言模型，称其在保持较高计算效率的同时达到当前最优识别精度。该模型采用由粗到细的两阶段解析策略，将全局版面分析与局部内容识别解耦：第一阶段在下采样图像上进行高效版面分析以识别结构元素，避免处理高分辨率输入带来的计算开销；第二阶段依据全局版面，从原图提取原生分辨率裁剪区域进行定向内容识别，以保留密集文本、复杂公式和表格的细节。作者称，为支撑该策略还构建了数据引擎，用于生成预训练与微调所需的大规模多样化训练语料。论文称该模型在多个基准上取得当前最优表现，在多种识别任务上超过通用与领域专用模型，同时计算开销显著更低。该研究为预印本，尚未经同行评审。