专题演讲嘉宾：何聪辉

在 LLM 预训练与 RAG 规模化应用的今天，高质量文档数据的获取已成为制约 AI 能力突破的瓶颈。

本次演讲将深度拆解开源文档解析基础设施 MinerU 的演进历程：从基于传统 OCR 与布局检测的 v1 Pipeline 方案，到引入解耦式多模态大模型的 v2.5 架构，再到最新突破性能天花板、纯数据驱动的 v2.5-Pro 范式。

我们将重点分享 MinerU 如何攻克公式识别（UniMERNet）、复杂布局检测（DocLayout-YOLO）及表格解析（OTSL）等核心硬核技术，并首次公开其背后的“数据炼金术”——包含多样性感知采样（DDAS）与跨模型一致性验证（CMCV）在内的三维协同数据引擎。

最后，演讲将展示 AgenticOCR 与扩散并行解码等前沿探索，探讨文档解析如何从“静态提取”转向“动态智能体感知”。

演讲提纲

1. 时代背景：文档解析为何成为 AI 的“入场券”？
   • 演进脉络：从单一 OCR 任务到智能文档理解（IDP）的跨越。
   • 双轮驱动：LLM 预训练对海量高质量知识的渴求 vs RAG 系统对精准检索的刚需。
   • 竞争格局：OmniDocBench 时代的百家争鸣与 MinerU 的定位。
2. 技术进化论：MinerU 的三个里程碑
   •   MinerU v1 (Pipeline)：
     •   核心组件：UniMERNet 公式识别与 DocLayout-YOLO 布局检测
     •   工程化落地：四阶段处理流（预处理 -> 解析 -> 后处理 -> 格式转换）
   •   MinerU 2.5 (Decoupled VLM)：
     •   架构创新：低分辨率全局布局（Stage I）与原分辨率局部识别（Stage II）的解耦
     •   效率突破：解决端到端模型 $$O(N^2$$ token 复杂度难题
   •   MinerU 2.5-Pro (Data-Centric)：
     •   核心洞察：架构趋同下，性能瓶颈已转向训练数据的质量与分布
     •   数据驱动：同参数规模下的性能飞跃（Overall 92.98 -> 95.69）
3. 算法深潜：攻克文档解析的“三座大山”
   • 公式之巅：UniMERNet 百万级数据集与 CDM 视觉级评测指标
   • 布局之变：统一 21 类细粒度标签体系与 PageIoU 评估标准
   • 表格之困：OTSL 压缩格式（28 -> 5 tokens）与旋转矫正流水线
4. 数据炼金术：大规模数据工程的闭环（Pro 版核心）
   • 采样逻辑 (DDAS)：视觉特征聚类与难度感知采样
   • 验证机制 (CMCV)：异构模型交叉验证，精准定位模型短板
   • 标注闭环：Judge-and-Refine 自动校正与定向专家标注
5. 未来探索：迈向 Agent 与 扩散模型
   • AgenticOCR：按需动态解析，从“全量扫读”到“智能点读”
   • MinerU-Diffusion：基于扩散模型的非自回归解码，实现 3.26x 速度提升

听众收益：

• 以获得一套可直接落地的 RAG 数据清洗管线参考，了解如何处理公式、表格、阅读顺序等“硬骨头”。
• 能够学习到如何构建百万级高质量数据集（UniMER-1M）以及如何设计多模型协同的数据引擎（Data Engine）方法论。
• 通过 MinerU 的演进路线，可以清晰地看到文档解析技术从“拼凑工具库”到“垂直多模态大模型”再到“数据为王”的发展趋势，为企业数字化转型提供技术选型依据。
• 了解到国产开源项目在登顶 GitHub Trending 背后，不仅有工程实现的努力，更有在顶级学术会议（CVPR 2025/2026）上的深度理论创新。