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：

1. 段落跨页被分页切割、文本断裂；
2. 大表格分页拆分，上下表身割裂；
3. 多级标题（一级/二级/三级标题）层级混乱、从属关系丢失；
4. 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：

• 再看两阶段多模态文档解析大模型-PaddleOCR-VL架构、数据、训练方法

• 多模态文档智能解析开源进展：针对形变文档优化的PaddleOCR-VL-1.5架构改进点

• 如何打造一个文档解析的多模态大模型？MinerU2.5架构、数据、训练方法

• 端到端的多模态文档解析模型-DeepSeek-OCR架构、数据、训练方法

• 多模态文档解析模型新进展：腾讯开源HunyuanOCR-1B模型架构、训练配方

• 强化学习GRPO（格式奖励）在多模态文档解析中的运用方法

• 多模态文档解析开源新进展-DeepSeek-OCR2.0架构、数据、训练方法

• 多模态文档智能解析持续开源进展：Youtu-Parsing模型架构、数据、训练方法

• 多模态文档解析最新开源进展：2B参数FireRed-OCR模型方法

• 多模态文档解析新进展：多模态OCR解析文档中的任意内容实现方案

• 近期两个多模态文档解析方案开源进展：DocHumming和PaddleOCR-VL-1.6技术方案

...