MinerU2.5-Pro — 纯数据/训练驱动的文档解析（2026）
📄 原文：arXiv:2604.04771 · PDF
⭐ 架构一字不改，只靠数据+训练策略就 +2.71 分打过 200× 参数的大模型。对 OCR 系统造模型是当头一棒的方法论：数据 > 架构花活。
一句话
保持 mineru2.5 的 1.2B 架构完全不变，只做数据工程 + 训练策略： Data Engine 扩到 65.5M 页（围绕覆盖度/难度/质量共设计），三阶段渐进训练， OmniDocBench v1.6 拿 95.69，超所有现有方法（含 200× 参数的大模型）。
核心论点（这篇的灵魂）
不同架构/规模的模型失败模式高度一致 → 说明瓶颈是共享的训练数据缺陷， 不是架构差异。所以把力气全砸在数据 + 训练策略上。
方法
- Data Engine：围绕 coverage（覆盖各种文档）/ difficulty（难样本）/ quality（标注质量） 三轴共同设计，产出 65.5M 页训练数据。
- 三阶段渐进训练：① 大规模预训练 → ② 难样本微调 → ③ GRPO 对齐， 分别吃不同质量层级的数据。
- 顺带修基准：纠正 OmniDocBench v1.5 的元素匹配偏差 + 加 Hard 子集 → 更有区分度的 v1.6。
对 OCR 系统设计的启示
- 别一上来卷架构：这篇实证——同架构下数据+训练能吃到 +2.71 且超大模型。检测前端DETR/后端AR 定型后，回报最高的是数据引擎（合成 + 难样本挖掘 + 质量控制），不是继续改网络。
- 失败模式一致性是个好诊断工具：如果目标模型和别人错在同样地方，先怀疑数据不是架构。
- 三阶段渐进 + GRPO：预训练→难样本→RL 对齐，这套配方可直接套到目标系统的训练 pipeline； GRPO 尤其用于抑制结构幻觉（firered-ocr 也用了同招）。
- 呼应 phi / data-quality-over-scale：数据质量优先的又一铁证。
关联
- 基座：mineru2.5
- 数据质量主题：data-quality-over-scale、textbooks-are-all-you-need
- 同用 GRPO 抑幻觉：firered-ocr
- 基准：omnidocbench