近年来，以 MinerU 为代表的智能文档解析系统，已经能在单页范围内识别标题、正文、图片、表格等元素，并输出文本内容、边界框和阅读顺序。

这种方式已经能很好地回答“这一页有什么”，但是 RAG、知识库和 Agent 工作流真正需要的，不只是每一页识别出了哪些文字和表格，

更是整篇文档能否被还原成连续、准确、可检索、可分析的文档级语义结构。

日前，上海人工智能实验室OpenDataLab团队联合上海交通大学等单位提出 MinerU-Popo，一个面向 OCR 输出的轻量、通用后处理框架，基于4B 参数的微调模型，适用于修复跨页表格合并、跨页段落拼接、标题层级补齐、图文关联问题，可以将页面级解析结果转化为连贯的、可用于检索和分析的文档树结构，有效增强各类文档解析模型能力。

MinerU-Popo 支持本地私有化部署，模型轻量高效，适合大规模文档处理场景，欢迎使用。

https://github.com/opendatalab/MinerU-Popo

https://huggingface.co/DreamEternal/MinerU-Popo

要解决跨页表格合并、跨页段落拼接、标题层级补齐、图文关联问题，传统做法要么继续提升单页 OCR 精度，要么用规则拼接段落、归并标题或合并表格。但前者受限于页面边界，后者面对金融报告、学术论文、政务材料、医疗文书等多样版式时，往往难以泛化和持续迭代。

更重要的是，不同 OCR 系统的输出标签、元素粒度和结构格式并不完全一致，单独为每个系统维护一套后处理逻辑，成本高且复用性有限。

 MinerU-Popo 的思路更直接，不是重新训练一个庞大的端到端文档解析系统，也不是让模型把 PDF 再识别一遍，而是选择复用已有 OCR 或版面解析模型的页面级结果，并在统一标签空间中进一步恢复文档级逻辑结构。通过标签对齐机制支持对接多种主流 OCR 系统——不同 OCR 模型的输出标签可以通过轻量规则归一化为统一标准（如 title、text、image、table 等），从而实现即插即用。

MinerU-Popo 将文档后处理拆解为四个核心任务：

文本截断恢复、表格截断恢复、标题层级重建和图文关联

。通过这些任务，它可以判断断开的段落是否应合并，分页表格是否属于同一张表，标题之间的父子关系如何组织，以及图片、表格与 caption 应该挂载到哪个章节下。

围绕这些任务，MinerU-Popo 设计了

面向任务的数据引擎、动态分块与同步、文档丰富化

三大模块：先筛掉无关元素，再处理长文档分块边界，最后生成文档树和节点摘要，让输出更适合检索、问答和分析。

1. 面向任务的数据引擎：先筛出真正有用的信息

训练数据质量直接影响模型效果。MinerU-Popo 会先从大规模真实 OCR 文档中，利用 VLM 按视觉外观、版面特征、文档格式、内容领域和页面长度等维度进行筛选，并按领域和长度分组采样，确保数据覆盖金融、学术、政务、医疗等多种文档类型。

随后，它会针对不同子任务做任务特定过滤：标题层级分析主要保留 title，图文关联保留 title、caption、image、table，文本截断只关注候选文本块的首尾句，表格截断则重点定位页面边界处的表格候选对。这样模型不必处理整篇文档里的所有冗余信息，而是聚焦最相关的结构线索。

2. 动态分块与同步：让长文档既能切开处理，又保持全局一致

即使经过过滤，长文档仍然很难一次性处理。简单固定分块又会带来新问题：分块边界处的文本截断可能被漏掉，后续块也可能因为缺少全局标题上下文而误判章节层级。

为此，MinerU-Popo 采用动态分块与同步策略：通过三页重叠分块保留跨页参考信息，在搜索窗口内动态确定分块边界；再利用重叠区域中相同元素的预测结果计算层级偏差，校正后续块预测；对不涉及层级偏差的任务，则合并各块结果。消融实验显示，这一策略使标题层级 TEDS 从 85.8% 提升至 90.6%，文本截断召回率从 86.6% 提升至 93.8%。

3. 文档丰富化：把预测结果组装成可用的文档树

模型完成段落连接、表格合并、标题层级和图文关联预测后，还需要把结果转成下游真正能用的文档表示。

MinerU-Popo 会基于标题层级构建章节父子关系，把文本段落、合并后的表格和关联图片挂载到对应章节节点下，形成结构化文档树。为了让这棵树更适合检索和分析，它还会做语义丰富化：当节点内容过长时，在段落边界处切分；当标题过短、检索粒度不足时，利用 LLM 为节点生成摘要，提炼关键论点、方法、趋势或结论。最终得到的文档树兼顾结构、粒度和信息完整性，可为 RAG、问答和文档分析提供高质量输入。

实验显示，五种主流 OCR 模型经过 MinerU-Popo 后处理后，标题层级 TEDS 提升均超过 20 个百分点。充分验证了后处理框架的通用性和有效性。

   在完整训练集上，MinerU-Popo ：

● 文本截断分析精确率 87.8%、召回率 93.8%；

● 图文关联分析精确率 87.0%、召回率 79.5%；

● 表格截断合并方法预测准确率 92.7%。

更有意思的是，MinerU-Popo 以 4B 参数量超越了 32B 的无微调通用模型（90.6 vs. 78.0），同时推理速度是同等规模模型的近两倍（0.37 vs. 0.20 文档/秒）。

下游检索分析与直接问答任务中，经过 MinerU-Popo 后处理后的文档结构，在多个 RAG 子集上超过原始 OCR 基线，并通过更简洁的节点标题和摘要降低检索延迟。

在端到端问答任务中，从文档树导出的 JSON 和 Markdown 格式也取得了更好的整体准确率。

这意味着，MinerU-Popo 解决的并不是“多识别几个字”的问题，而是复杂文档进入知识库和 Agent 工作流后，信息能被稳定召回、准确理解、可靠使用。

从 MinerU2.5 到 MinerU-Popo，文档解析正在从单页精度竞争，进一步走向文档级语义结构恢复。前者让模型更准确地看懂页面，后者让系统更完整地读懂整篇文档。

面向未来，复杂文档能否高质量转化为 AI-Ready 数据，将直接影响大模型应用的可用性。MinerU-Popo 正是在这条链路上补上关键一环：让页面级 OCR 输出，真正变成可检索、可分析、可进入智能工作流的文档结构。

MinerU-Popo来了：让文档解析从“看懂每页”走向“读懂整篇”

人工智能

大数据

开发工具

上海人工智能实验室推出MinerU-Popo轻量级文档后处理框架，专为解决OCR输出中的跨页表格合并、段落拼接、标题层级重建等关键问题。该框架基于4B参数模型，可将页面级解析结果转化为连贯的文档树结构，提升RAG和知识库的检索分析效果。支持本地部署，适用于金融、学术等多样版式文档处理。开源代码和模型已发布。

大模型应用

Agent

JSON

2026上云采购 | AI焕新·智启新局

lexiang

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

MinerU-Popo来了：让文档解析从“看懂每页”走向“读懂整篇”

MinerU-Popo来了：让文档解析从“看懂每页”走向“读懂整篇”

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐