MinerU2.5 — 解耦式高分辨率文档解析 VLM（上海AI Lab，2025）
📄 原文：arXiv:2509.22186 · PDF
⭐ coarse-to-fine 解耦把 layout 和识别彻底分开——这套”降采样做全局版面 + 原分辨率 crop 做识别”是检测与识别模块分工最干净的范式。
一句话
1.2B VLM，coarse-to-fine 两阶段解耦：① 在降采样图上做高效 layout 分析（避开高分辨率 算力开销）；② 在原生分辨率 crop 上做定向内容识别（保住密集文本/复杂表格/公式细节）。
架构要点（对 OCR 系统最相关）
- Stage 1 全局 layout：故意用低分辨率整页图 → 快、省，只求”结构在哪、什么类型、 阅读顺序”。这就是纯前端检测该做的事。
- Stage 2 局部识别：按 layout 结果从原图抠出高分辨率 crop，逐个精识别。 这就是纯后端 AR 生成该做的事。
- 训练：Stage 0 模态对齐 → Stage 1 文档解析预训练 → 后续微调。
对检测—识别组合系统的启示
- “降采样定位 / 原分辨率识别”= 高分辨率文档的算力解法：检测前端 DETR 在低分辨率整页跑 （快 + 全局阅读顺序），后端 AR 只在高分辨率 crop 上跑（准）→ 两端各用最合适的分辨率， 这是这篇最值钱的工程洞见，直接可搬。
- 解耦 = 可分别优化/替换：前端换 DETR 系、后端换目标系统的 AR 解码器，互不绑死。
- layout 引导 crop：检测框直接决定后端输入，避免整页解码的长序列与幻觉。
- 对照 deepseek-ocr 的”整页光学压缩”路线——MinerU 反其道而行（不压缩、按需 crop 原分辨率），需要权衡：全局压缩省 token vs 局部原分辨率保精度。见 visual-compression-vs-reconstruction。
关联
- 升级版：mineru2.5-pro（架构不变，纯数据/训练驱动再涨点）
- 同两阶段：paddleocr-vl、dolphin
- 路线张力：deepseek-ocr、monkeyocr-v2、visual-compression-vs-reconstruction
- 基准：omnidocbench