多模态文档解析后处理开源模型：MinerU-Popo方案思路提升RAG性能
·
目前各类的文档解析方案（VLM-OCR）都是基于【单页】文档进行解析，输出每页文字、表格、图片+坐标框，但存在4类跨页缺点：
- 段落跨页被分页切割、文本断裂；
- 大表格分页拆分，上下表身割裂；
- 多级标题（一级/二级/三级标题）层级混乱、从属关系丢失；
- 插图和对应正文分离，图文无法绑定。
在RAG场景，需要全书/文档连贯的文档级结构化数据。
MinerU-Popo是一个后处理方案，在不改动原有VLM-OCR模型后对文档级结构进行重构。
方法架构
整体方案针对4类跨页缺点基于Qwen3-VL-4B构造4个任务各自独立数据集进行微调。对于【跨页文本截断、表格截断】，定义成二分类任务；
对于【标题层级重构】，定义成开放层级（1、2、3…n）预测;
【图文关联匹配（图片和图注 / 正文描述分散在不同页面，绑定图文）】，预测文字与其关联的图像或表格。
最终四项任务全部跑完后，所有零散页面元素被组装为文档树结构：全书(H0)→一级标题H1→二级H2→(段落/完整表格/绑定图片)，直接适配RAG知识库入库。
实验评测
参考文献
MinerU-Popo: Universal Post-Processing Model for Structured Document Parsing，https://arxiv.org/abs/2605.24973
往期相关
多模态文档解析的开源项目模型技术方案都在《文档智能专栏》，如：
…
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
3
0- 0
已为社区贡献5条内容
所有评论(0)