摘要
文档智能把非结构化文档转成机器可理解、可校验、可驱动业务动作的结构化数据，本质是解析、理解、校验、驱动四段能力链，而非 OCR 的精度升级，识别准只是起点，数据能算、能查、能触发动作才算跑通。
关键词：文档智能；OCR；版面分析；结构还原；文档VLM；MinerU；Docling；精度评估
引言
从字符识别到结构化数据，中间隔着一条完整的能力链。合同、发票、报关单、订单、物流单等业务凭证都是非结构化的，版式千变万化且年年更新。纯人工录入慢且错，纯靠通用 OCR 又常常"识别准但业务跑不通"1。
根源在 OCR 的输出形态：它解决"页面上有什么字"，输出文本流；而业务需要"这份文档意味着什么、该触发什么动作"，两者之间隔着一整套结构还原与语义判断。遇到多栏排版、跨页表格、公式、印章压字时，文本流不仅丢失二维关系，还会因阅读顺序错乱而彻底失真。
文档智能是一条四段能力链，而非一个识别模型，任何一段缺失业务都跑不通。全文按此展开------先立定义与阶梯，再拆解析层五支线，继而对比两条工程路线，最后落到校验、部署与评估。
1 定义与能力阶梯
1.1 四段能力链
文档智能可以定义为把非结构化文档（PDF、扫描件、图片、表格）转换成机器可理解、可校验、可驱动下游动作的结构化数据。
定义内含四个递进的能力段：
| 能力段 | 覆盖范围 | 回答的问题 | 输出形态 |
|---|---|---|---|
| 解析 | 字符、版面、结构 | 文档里有什么、在哪、怎么组织 | 带坐标的结构化元素 |
| 理解 | 语义、字段、关系 | 这份文档意味着什么 | 字段、实体、关系 |
| 校验 | 置信度、溯源、规则 | 抽出来的数据可不可信 | 置信分、坐标、校验结论 |
| 驱动 | Schema、集成、编排 | 该触发什么真实业务动作 | 系统调用、流程状态 |
表1 文档智能四段能力链
四段是能力叠加而非替代：只做前两段＝看得见但不可信，只做后两段＝没有可靠输入。这是后文所有工程结论的前提。
#mermaid-svg-NegYRP11fuUpmUE9{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-NegYRP11fuUpmUE9 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-NegYRP11fuUpmUE9 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-NegYRP11fuUpmUE9 .error-icon{fill:#552222;}#mermaid-svg-NegYRP11fuUpmUE9 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-NegYRP11fuUpmUE9 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-NegYRP11fuUpmUE9 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-NegYRP11fuUpmUE9 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-NegYRP11fuUpmUE9 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-NegYRP11fuUpmUE9 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-NegYRP11fuUpmUE9 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-NegYRP11fuUpmUE9 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-NegYRP11fuUpmUE9 .marker.cross{stroke:#333333;}#mermaid-svg-NegYRP11fuUpmUE9 svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-NegYRP11fuUpmUE9 p{margin:0;}#mermaid-svg-NegYRP11fuUpmUE9 .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-NegYRP11fuUpmUE9 .cluster-label text{fill:#333;}#mermaid-svg-NegYRP11fuUpmUE9 .cluster-label span{color:#333;}#mermaid-svg-NegYRP11fuUpmUE9 .cluster-label span p{background-color:transparent;}#mermaid-svg-NegYRP11fuUpmUE9 .label text,#mermaid-svg-NegYRP11fuUpmUE9 span{fill:#333;color:#333;}#mermaid-svg-NegYRP11fuUpmUE9 .node rect,#mermaid-svg-NegYRP11fuUpmUE9 .node circle,#mermaid-svg-NegYRP11fuUpmUE9 .node ellipse,#mermaid-svg-NegYRP11fuUpmUE9 .node polygon,#mermaid-svg-NegYRP11fuUpmUE9 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-NegYRP11fuUpmUE9 .rough-node .label text,#mermaid-svg-NegYRP11fuUpmUE9 .node .label text,#mermaid-svg-NegYRP11fuUpmUE9 .image-shape .label,#mermaid-svg-NegYRP11fuUpmUE9 .icon-shape .label{text-anchor:middle;}#mermaid-svg-NegYRP11fuUpmUE9 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-NegYRP11fuUpmUE9 .rough-node .label,#mermaid-svg-NegYRP11fuUpmUE9 .node .label,#mermaid-svg-NegYRP11fuUpmUE9 .image-shape .label,#mermaid-svg-NegYRP11fuUpmUE9 .icon-shape .label{text-align:center;}#mermaid-svg-NegYRP11fuUpmUE9 .node.clickable{cursor:pointer;}#mermaid-svg-NegYRP11fuUpmUE9 .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-NegYRP11fuUpmUE9 .arrowheadPath{fill:#333333;}#mermaid-svg-NegYRP11fuUpmUE9 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-NegYRP11fuUpmUE9 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-NegYRP11fuUpmUE9 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-NegYRP11fuUpmUE9 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-NegYRP11fuUpmUE9 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-NegYRP11fuUpmUE9 .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-NegYRP11fuUpmUE9 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-NegYRP11fuUpmUE9 .cluster text{fill:#333;}#mermaid-svg-NegYRP11fuUpmUE9 .cluster span{color:#333;}#mermaid-svg-NegYRP11fuUpmUE9 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-NegYRP11fuUpmUE9 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-NegYRP11fuUpmUE9 rect.text{fill:none;stroke-width:0;}#mermaid-svg-NegYRP11fuUpmUE9 .icon-shape,#mermaid-svg-NegYRP11fuUpmUE9 .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-NegYRP11fuUpmUE9 .icon-shape p,#mermaid-svg-NegYRP11fuUpmUE9 .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-NegYRP11fuUpmUE9 .icon-shape .label rect,#mermaid-svg-NegYRP11fuUpmUE9 .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-NegYRP11fuUpmUE9 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-NegYRP11fuUpmUE9 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-NegYRP11fuUpmUE9 :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 非结构化文档
PDF · 扫描件 · 图片 · 表格
① 解析
字符 · 版面 · 结构
还原有什么、在哪、怎么组织
② 理解
语义 · 字段 · 关系
判断这份文档意味着什么
③ 校验
置信度 · 溯源 · 规则
确认抽出来的数据可不可信
④ 驱动
Schema · 集成 · 编排
触发真实业务动作
结构化数据
ERP · 审批 · 工单
图1 文档智能四段能力链
图中深青填充为最终产物，灰色为输入源。
1.2 五层能力阶梯
把四段能力链按"回答的问题"再切一刀，得到从 OCR 到 IDP 的五层阶梯。每上一层，问题就换一次，输出的信息密度也随之跃升。
| 层级 | 名称 | 技术形态 | 回答的问题 | 输出 |
|---|---|---|---|---|
| L0 | 字符层 | OCR | 这里有什么字 | 文本流 |
| L1 | 版面层 | Layout | 字在哪、什么层级 | 区块与坐标 |
| L2 | 结构层 | Structure | 表格几行几列、公式是什么 | HTML / LaTeX |
| L3 | 语义层 | Understanding | 这份文档讲什么 | 字段、实体、关系 |
| L4 | 业务层 | IDP | 该触发什么动作 | 校验、路由、回写 |
表2 从 OCR 到 IDP 的五层能力阶梯
工业级产品已有对应：Google Document AI 的处理器正按此组织------数字化（OCR）、提取（表单/布局/自定义/预训练解析器）、分类（分类器/拆分器），且所有处理器都能提取文本与布局12。
AI 时代的关键变化不是 OCR 被淘汰，而是它从"产品"降级为"组件"------仍是流水线第一阶段，但不再定义能力上限。2023 年起 VLM 对该领域产生颠覆性影响，2024 至 2025 年 Mistral OCR、DeepSeek-OCR、PaddleOCR-VL 等专用模型相继推出，以远小于通用 VLM 的参数量取得领先性能，OCR 的定义正从"字符识别"扩展为"文档理解"2。
1.3 与 OCR、IDP 的边界
三者常被混用，边界却清楚。OCR 解决"页面上有什么文字"，输出原始文本或可搜索 PDF；IDP（智能文档处理）解决"这份文档意味着什么、该触发什么动作"，输出映射到业务模式的结构化字段2。文档智能覆盖两者之间的完整链路，并额外承担校验与驱动职责。
两者差异集中在五维：输出形式（文本 vs 结构化字段）、上下文感知（无 vs 理解文档类型与字段含义）、数据验证（无 vs 业务规则与外部数据交叉校验）、异常处理（无 vs 低置信度路由人工）、系统集成（需定制 vs 预置 ERP/CRM 连接器）2。
2 输入形态与预处理链路
输入形态直接决定预处理链路，这是工程实现中第一个必须做出的判断。
| 形态 | 特征 | 核心难点 | 处理路径 |
|---|---|---|---|
| PDF 原生电子版 | 有文本层，可直接抽取 | 版面还原、阅读顺序 | 文本层提取 + 版面分析 |
| PDF 扫描版 | 只有图像层 | 倾斜、噪点、印章压字 | 图像增强 + OCR |
| 拍摄图片 | 手机拍照、透视畸变 | 光照不均、几何畸变、模糊 | 几何校正 + 超分 + OCR |
| 表格 | Excel、网页表、图片表 | 二维结构、合并单元格 | 结构识别 |
表3 四种输入形态与处理路径
常被误解的一点：原生 PDF 有文本层不代表简单。文本层本身不携带可靠的阅读顺序与结构语义，照样会遇到双栏读串、表格塌成一行。
图像质量有明确量化门槛：低于 300 DPI 准确率明显下降，劣质扫描件可降 20% 以上；150→300 DPI 通常提升约 20%，高精度场景推荐 300 至 600 DPI。倾斜校正需控制在 ±1° 以内；去噪在噪声标准差 25 的高斯噪声上可使准确率从 62% 提升至 89%2。
3 解析层之一 OCR 原理与局限
3.1 四段式流水线
OCR 分四阶段，各自解决一个独立问题。
#mermaid-svg-jAyyiZlBKqyZz1lz{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-jAyyiZlBKqyZz1lz .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-jAyyiZlBKqyZz1lz .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-jAyyiZlBKqyZz1lz .error-icon{fill:#552222;}#mermaid-svg-jAyyiZlBKqyZz1lz .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-jAyyiZlBKqyZz1lz .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-jAyyiZlBKqyZz1lz .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-jAyyiZlBKqyZz1lz .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-jAyyiZlBKqyZz1lz .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-jAyyiZlBKqyZz1lz .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-jAyyiZlBKqyZz1lz .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-jAyyiZlBKqyZz1lz .marker{fill:#333333;stroke:#333333;}#mermaid-svg-jAyyiZlBKqyZz1lz .marker.cross{stroke:#333333;}#mermaid-svg-jAyyiZlBKqyZz1lz svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-jAyyiZlBKqyZz1lz p{margin:0;}#mermaid-svg-jAyyiZlBKqyZz1lz .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-jAyyiZlBKqyZz1lz .cluster-label text{fill:#333;}#mermaid-svg-jAyyiZlBKqyZz1lz .cluster-label span{color:#333;}#mermaid-svg-jAyyiZlBKqyZz1lz .cluster-label span p{background-color:transparent;}#mermaid-svg-jAyyiZlBKqyZz1lz .label text,#mermaid-svg-jAyyiZlBKqyZz1lz span{fill:#333;color:#333;}#mermaid-svg-jAyyiZlBKqyZz1lz .node rect,#mermaid-svg-jAyyiZlBKqyZz1lz .node circle,#mermaid-svg-jAyyiZlBKqyZz1lz .node ellipse,#mermaid-svg-jAyyiZlBKqyZz1lz .node polygon,#mermaid-svg-jAyyiZlBKqyZz1lz .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-jAyyiZlBKqyZz1lz .rough-node .label text,#mermaid-svg-jAyyiZlBKqyZz1lz .node .label text,#mermaid-svg-jAyyiZlBKqyZz1lz .image-shape .label,#mermaid-svg-jAyyiZlBKqyZz1lz .icon-shape .label{text-anchor:middle;}#mermaid-svg-jAyyiZlBKqyZz1lz .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-jAyyiZlBKqyZz1lz .rough-node .label,#mermaid-svg-jAyyiZlBKqyZz1lz .node .label,#mermaid-svg-jAyyiZlBKqyZz1lz .image-shape .label,#mermaid-svg-jAyyiZlBKqyZz1lz .icon-shape .label{text-align:center;}#mermaid-svg-jAyyiZlBKqyZz1lz .node.clickable{cursor:pointer;}#mermaid-svg-jAyyiZlBKqyZz1lz .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-jAyyiZlBKqyZz1lz .arrowheadPath{fill:#333333;}#mermaid-svg-jAyyiZlBKqyZz1lz .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-jAyyiZlBKqyZz1lz .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-jAyyiZlBKqyZz1lz .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-jAyyiZlBKqyZz1lz .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-jAyyiZlBKqyZz1lz .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-jAyyiZlBKqyZz1lz .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-jAyyiZlBKqyZz1lz .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-jAyyiZlBKqyZz1lz .cluster text{fill:#333;}#mermaid-svg-jAyyiZlBKqyZz1lz .cluster span{color:#333;}#mermaid-svg-jAyyiZlBKqyZz1lz div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-jAyyiZlBKqyZz1lz .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-jAyyiZlBKqyZz1lz rect.text{fill:none;stroke-width:0;}#mermaid-svg-jAyyiZlBKqyZz1lz .icon-shape,#mermaid-svg-jAyyiZlBKqyZz1lz .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-jAyyiZlBKqyZz1lz .icon-shape p,#mermaid-svg-jAyyiZlBKqyZz1lz .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-jAyyiZlBKqyZz1lz .icon-shape .label rect,#mermaid-svg-jAyyiZlBKqyZz1lz .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-jAyyiZlBKqyZz1lz .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-jAyyiZlBKqyZz1lz .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-jAyyiZlBKqyZz1lz :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} ① 预处理
二值化 Otsu
去噪 NLM / DnCNN
倾斜校正 · 超分
② 文本检测
CTPN 锚点 · EAST 无锚点
DBNet 可微分二值化
支持任意形状
③ 字符识别
CRNN + CTC 序列对齐
TrOCR 注意力解码
手写 ICR
④ 后处理
N-gram / BERT 纠错
格式标准化 · 版面恢复
置信度过滤
图2 OCR 四段式流水线
四个环节统一用浅青底标出，表示同一处理链上的并列阶段。
预处理 标准化图像：Otsu 自适应二值化消除光照不均，高斯/双边滤波去椒盐噪声并用形态学修复笔画断裂，霍夫变换检测倾角后仿射校正，直方图均衡或 CLAHE 增强对比度2。
文本检测 定位文字。传统用 MSER 连通域分析，深度模型三选：CTPN（CNN+RNN 垂直锚点）、EAST（无锚点、支持多角度）、DBNet（可微分二值化，任意形状）2。
字符识别 把文字区域转成字符序列。主流是 CRNN（CNN 提特征 + RNN 建模序列 + CTC 解决长度不对齐），TrOCR 用自注意力捕捉字符依赖，长文本与复杂字体更强2。
后处理 校正结果：N-gram 或 BERT 纠错、统一日期金额格式、恢复段落与阅读顺序、按 softmax 置信度过滤2。
3.2 精度水位与手写差异
行业基准：清晰印刷体 CER 可低于 1%，手写体 3% 至 5%；工整手写准确率可达 90% 以上，潦草书写仅 70% 至 80%，医生处方等极端场景仍是难点2。
路线差异：印刷体用模板匹配或特征提取即可，深度学习中 CRNN+CTC 满足大部分场景；手写体更依赖上下文与序列建模，Transformer 显著优于传统 CRNN2。
3.3 六条结构性局限
这些不是调参能解决的，而是"文本流"输出形态本身的边界。
| 局限 | 本质原因 | 典型后果 |
|---|---|---|
| 只认字不认结构 | 输出是文本流，丢失二维空间关系 | 表格塌成一行、多栏混读 |
| 版式敏感 | 训练分布外的版式泛化能力差 | 换供应商模板即失效 |
| 误差级联 | 检测错则识别必错，无法回滚 | 单点错误污染整页 |
| 阅读顺序盲区 | 缺乏全局版面理解 | 双栏论文读成左栏全文加右栏全文 |
| 公式与表格无力 | 二维结构无法用序列表达 | LaTeX 乱码、单元格错位 |
| 语义缺失 | 不知道字段的业务含义 | 金额与税号抽反也照常输出 |
表4 OCR 的六条结构性局限
其中最具工程杀伤力的一条是语义缺失：字符准确率可达 99%，但发票总额提取错误仍会直接导致经济损失。字符级指标救不了字段级错误，这一点在第 9 章评估体系中会再次展开。
4 解析层之二 版面分析
版面分析是最容易被低估的一环：阅读顺序错了后面全错，因为它决定所有元素按什么顺序拼接。
4.1 五个核心任务
| 任务 | 内容 |
|---|---|
| 区域检测 | 文本块、标题、表格、图片、公式、页眉页脚、页码、印章 |
| 阅读顺序还原 | 单栏、双栏、多栏、竖排、图文混排、跨栏段落 |
| 层级构建 | 章节树、列表嵌套、段落归属、标题与正文关联 |
| 元素分类 | 正文与装饰性元素（页眉页脚等 furniture）的区分 |
| 文档切分 | 多文档合一 PDF 的 Splitter |
表5 版面分析的五个核心任务
4.2 传统方案与 VLM 方案的差异
| 维度 | 传统方案 | VLM 方案 |
|---|---|---|
| 检测模型 | LayoutLMv3、YOLO 等专用检测器 | 提示词直接输出 bbox |
| 阅读顺序 | 规则加坐标排序 | 模型预测 |
| 优势 | 快、可控、坐标稳定 | 语义强、零样本 |
| 短板 | 复杂版式失效 | 坐标漂移、幻觉 |
表6 版面分析传统方案与 VLM 方案对比
阅读顺序最难，因为它在视觉上没有显式标注，只能靠模型推断。传统方案靠坐标排序，单栏可靠，但多栏嵌套、侧边栏、脚注穿插时规则迅速失效；VLM 有语义理解能力，却会因坐标漂移导致 bbox 与实际位置对不上，影响溯源。
MinerU 2.5 在此改进两点：保留页眉页脚页码等非正文元素以保证内容完整，并用更精细的标签体系表达列表、参考文献、代码块3。
5 解析层之三 表格结构还原
表格的二维结构无法用序列表达，这是它比线性文本困难的根源。现代表格识别通常分为四个阶段。
#mermaid-svg-4wEJ7LBrZtAN9e47{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-4wEJ7LBrZtAN9e47 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-4wEJ7LBrZtAN9e47 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-4wEJ7LBrZtAN9e47 .error-icon{fill:#552222;}#mermaid-svg-4wEJ7LBrZtAN9e47 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-4wEJ7LBrZtAN9e47 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-4wEJ7LBrZtAN9e47 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-4wEJ7LBrZtAN9e47 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-4wEJ7LBrZtAN9e47 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-4wEJ7LBrZtAN9e47 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-4wEJ7LBrZtAN9e47 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-4wEJ7LBrZtAN9e47 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-4wEJ7LBrZtAN9e47 .marker.cross{stroke:#333333;}#mermaid-svg-4wEJ7LBrZtAN9e47 svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-4wEJ7LBrZtAN9e47 p{margin:0;}#mermaid-svg-4wEJ7LBrZtAN9e47 .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-4wEJ7LBrZtAN9e47 .cluster-label text{fill:#333;}#mermaid-svg-4wEJ7LBrZtAN9e47 .cluster-label span{color:#333;}#mermaid-svg-4wEJ7LBrZtAN9e47 .cluster-label span p{background-color:transparent;}#mermaid-svg-4wEJ7LBrZtAN9e47 .label text,#mermaid-svg-4wEJ7LBrZtAN9e47 span{fill:#333;color:#333;}#mermaid-svg-4wEJ7LBrZtAN9e47 .node rect,#mermaid-svg-4wEJ7LBrZtAN9e47 .node circle,#mermaid-svg-4wEJ7LBrZtAN9e47 .node ellipse,#mermaid-svg-4wEJ7LBrZtAN9e47 .node polygon,#mermaid-svg-4wEJ7LBrZtAN9e47 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-4wEJ7LBrZtAN9e47 .rough-node .label text,#mermaid-svg-4wEJ7LBrZtAN9e47 .node .label text,#mermaid-svg-4wEJ7LBrZtAN9e47 .image-shape .label,#mermaid-svg-4wEJ7LBrZtAN9e47 .icon-shape .label{text-anchor:middle;}#mermaid-svg-4wEJ7LBrZtAN9e47 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-4wEJ7LBrZtAN9e47 .rough-node .label,#mermaid-svg-4wEJ7LBrZtAN9e47 .node .label,#mermaid-svg-4wEJ7LBrZtAN9e47 .image-shape .label,#mermaid-svg-4wEJ7LBrZtAN9e47 .icon-shape .label{text-align:center;}#mermaid-svg-4wEJ7LBrZtAN9e47 .node.clickable{cursor:pointer;}#mermaid-svg-4wEJ7LBrZtAN9e47 .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-4wEJ7LBrZtAN9e47 .arrowheadPath{fill:#333333;}#mermaid-svg-4wEJ7LBrZtAN9e47 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-4wEJ7LBrZtAN9e47 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-4wEJ7LBrZtAN9e47 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-4wEJ7LBrZtAN9e47 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-4wEJ7LBrZtAN9e47 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-4wEJ7LBrZtAN9e47 .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-4wEJ7LBrZtAN9e47 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-4wEJ7LBrZtAN9e47 .cluster text{fill:#333;}#mermaid-svg-4wEJ7LBrZtAN9e47 .cluster span{color:#333;}#mermaid-svg-4wEJ7LBrZtAN9e47 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-4wEJ7LBrZtAN9e47 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-4wEJ7LBrZtAN9e47 rect.text{fill:none;stroke-width:0;}#mermaid-svg-4wEJ7LBrZtAN9e47 .icon-shape,#mermaid-svg-4wEJ7LBrZtAN9e47 .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-4wEJ7LBrZtAN9e47 .icon-shape p,#mermaid-svg-4wEJ7LBrZtAN9e47 .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-4wEJ7LBrZtAN9e47 .icon-shape .label rect,#mermaid-svg-4wEJ7LBrZtAN9e47 .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-4wEJ7LBrZtAN9e47 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-4wEJ7LBrZtAN9e47 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-4wEJ7LBrZtAN9e47 :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} ① 区域检测
Faster R-CNN / YOLO
从版面中定位表格
② 结构识别
Transformer 自注意力
GNN 单元格关系推理
解析行列与合并单元格
③ 内容识别
对每个单元格
调用 OCR 识别文本
④ 还原输出
Excel · JSON · HTML
单元格级坐标溯源
图3 表格结构还原四阶段
深青填充为最终输出环节，其余为中间处理阶段。
四阶段各司其职：区域检测用 Faster R-CNN、YOLO 等定位表格；结构识别解析行列与合并单元格坐标，主流用 Transformer 自注意力或 GNN 推理单元格关系；内容识别逐格调用 OCR；还原将结果填回结构，输出 Excel、JSON 或 HTML2。
5.1 难点谱系
| 表格类型 | 难点 |
|---|---|
| 有线表 | 表格线断裂、印章干扰 |
| 无线表 | 无边界，靠文本空间分布与语义特征推断单元格边界（最难） |
| 异形表 | 多级表头、跨行跨列的不规则合并 |
| 跨页表 | 需通过语义与版式双特征判断前后页连续性 |
| 旋转表 | 倾斜或旋转需先校正 |
表7 表格结构的五类难点
商用服务对无线表、嵌套表等难例的效果已优于早期版本，并能在一定程度上规避印章干扰与表格线断裂2。
5.2 关键技术
TableFormer （CVPR 2022）用 Transformer 直接预测表格结构，不依赖 OCR 结果，是 Docling 的表格引擎4------价值在于切断"OCR 错则结构也错"的级联。
两阶段解耦 先结构后内容，避免结构判断被内容误差污染。Docling 的 do_cell_matching 开关可选"结构映射回 PDF 单元格"或"用结构预测的文本单元格"；多列被错误合并为一列时，关闭它可改善5。
自 1.16.0 起 TableFormer 分 FAST（更快、准确率较低）与 ACCURATE（默认，处理复杂表格）两档5。
6 解析层之四 公式识别
公式识别把二维数学结构序列化为 LaTeX 或 MathML，难点随复杂度非线性上升。
| 形态 | 特征 |
|---|---|
| 行内公式 inline | 嵌在正文流中，需与文字正确分离 |
| 行间公式 display | 独立成块，通常居中并带编号 |
| 复杂结构 | 多行对齐、矩阵、分段函数、上下标嵌套 |
| 混排公式 | 中英文混排、公式内嵌中文 |
表8 公式的四类形态
| 方案 | 定位 | 特点 |
|---|---|---|
| UniMERNet | 专用模型 | 面向真实场景数学表达式识别[6](#方案 定位 特点 UniMERNet 专用模型 面向真实场景数学表达式识别[6] 文档 VLM 端到端 公式作为内容块直接输出 LaTeX pix2tex 轻量方案 复杂公式表现弱) |
| 文档 VLM | 端到端 | 公式作为内容块直接输出 LaTeX |
| pix2tex | 轻量方案 | 复杂公式表现弱 |
表9 公式识别代表方案
评测用 CDM （Character Detection Matching），比纯编辑距离更贴近"公式是否视觉正确"------编辑距离会把结构正确但符号顺序不同的公式判错，CDM 则通过字符检测匹配衡量渲染一致性。OmniDocBench 同时采用 display_formula_Edit_dist 与 display_formula_CDM7。
MinerU 2.5 把复杂长公式与中英混排公式的准确解析列为其相对 2.0 的核心改进3。
7 解析层之五 文档 VLM 的三大范式
架构选择可归纳为三条路线，并非"新的取代旧的"，而是精度、成本、可维护性的不同权衡。
#mermaid-svg-RUX6kYzvbpB3d6U2{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-RUX6kYzvbpB3d6U2 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-RUX6kYzvbpB3d6U2 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-RUX6kYzvbpB3d6U2 .error-icon{fill:#552222;}#mermaid-svg-RUX6kYzvbpB3d6U2 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-RUX6kYzvbpB3d6U2 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-RUX6kYzvbpB3d6U2 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-RUX6kYzvbpB3d6U2 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-RUX6kYzvbpB3d6U2 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-RUX6kYzvbpB3d6U2 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-RUX6kYzvbpB3d6U2 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-RUX6kYzvbpB3d6U2 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-RUX6kYzvbpB3d6U2 .marker.cross{stroke:#333333;}#mermaid-svg-RUX6kYzvbpB3d6U2 svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-RUX6kYzvbpB3d6U2 p{margin:0;}#mermaid-svg-RUX6kYzvbpB3d6U2 .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-RUX6kYzvbpB3d6U2 .cluster-label text{fill:#333;}#mermaid-svg-RUX6kYzvbpB3d6U2 .cluster-label span{color:#333;}#mermaid-svg-RUX6kYzvbpB3d6U2 .cluster-label span p{background-color:transparent;}#mermaid-svg-RUX6kYzvbpB3d6U2 .label text,#mermaid-svg-RUX6kYzvbpB3d6U2 span{fill:#333;color:#333;}#mermaid-svg-RUX6kYzvbpB3d6U2 .node rect,#mermaid-svg-RUX6kYzvbpB3d6U2 .node circle,#mermaid-svg-RUX6kYzvbpB3d6U2 .node ellipse,#mermaid-svg-RUX6kYzvbpB3d6U2 .node polygon,#mermaid-svg-RUX6kYzvbpB3d6U2 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-RUX6kYzvbpB3d6U2 .rough-node .label text,#mermaid-svg-RUX6kYzvbpB3d6U2 .node .label text,#mermaid-svg-RUX6kYzvbpB3d6U2 .image-shape .label,#mermaid-svg-RUX6kYzvbpB3d6U2 .icon-shape .label{text-anchor:middle;}#mermaid-svg-RUX6kYzvbpB3d6U2 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-RUX6kYzvbpB3d6U2 .rough-node .label,#mermaid-svg-RUX6kYzvbpB3d6U2 .node .label,#mermaid-svg-RUX6kYzvbpB3d6U2 .image-shape .label,#mermaid-svg-RUX6kYzvbpB3d6U2 .icon-shape .label{text-align:center;}#mermaid-svg-RUX6kYzvbpB3d6U2 .node.clickable{cursor:pointer;}#mermaid-svg-RUX6kYzvbpB3d6U2 .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-RUX6kYzvbpB3d6U2 .arrowheadPath{fill:#333333;}#mermaid-svg-RUX6kYzvbpB3d6U2 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-RUX6kYzvbpB3d6U2 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-RUX6kYzvbpB3d6U2 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-RUX6kYzvbpB3d6U2 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-RUX6kYzvbpB3d6U2 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-RUX6kYzvbpB3d6U2 .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-RUX6kYzvbpB3d6U2 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-RUX6kYzvbpB3d6U2 .cluster text{fill:#333;}#mermaid-svg-RUX6kYzvbpB3d6U2 .cluster span{color:#333;}#mermaid-svg-RUX6kYzvbpB3d6U2 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-RUX6kYzvbpB3d6U2 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-RUX6kYzvbpB3d6U2 rect.text{fill:none;stroke-width:0;}#mermaid-svg-RUX6kYzvbpB3d6U2 .icon-shape,#mermaid-svg-RUX6kYzvbpB3d6U2 .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-RUX6kYzvbpB3d6U2 .icon-shape p,#mermaid-svg-RUX6kYzvbpB3d6U2 .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-RUX6kYzvbpB3d6U2 .icon-shape .label rect,#mermaid-svg-RUX6kYzvbpB3d6U2 .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-RUX6kYzvbpB3d6U2 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-RUX6kYzvbpB3d6U2 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-RUX6kYzvbpB3d6U2 :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 文档解析架构选型
① 传统流水线
布局检测 → 阅读顺序
→ 各专用模型
＋ 可解释 · 坐标稳定
－ 误差级联 · 维护复杂
② 端到端 VLM
单模型 图 → Markdown
＋ 语义强 · 零样本
－ 幻觉 · O(N²) 开销
③ 解耦式多阶段
全局版面 + 局部精细识别
＋ 精度效率兼顾 · 抑幻觉
－ 工程复杂度中等
图4 文档解析三大范式及其权衡
三条路线并列，各自的 ＋ 为优势、－ 为短板，不预设优劣。
| 范式 | 机制 | 优势 | 短板 |
|---|---|---|---|
| 传统流水线 | 布局检测、阅读顺序、文本与公式表格各自专用模型 | 可解释、模块可替换、坐标稳定 | 误差级联、维护复杂、复杂版式失效 |
| 端到端 VLM | 单模型直接由图生成 Markdown | 语义强、零样本、架构简单 | 幻觉、高分辨率 O(N²) 开销 |
| 解耦式多阶段 | 阶段一做全局版面分析，阶段二做局部精细识别 | 兼顾精度与效率、可解释、抑制幻觉 | 工程复杂度中等 |
表10 文档解析三大范式对比
7.1 端到端的三个结构性障碍
据 MinerU2.5 技术报告，端到端在文档场景有三个障碍3。
token 冗余：文档图大量空白/低信息区，原生分辨率编码产生海量视觉 token，O(N²) 复杂度使算力不可承受。
幻觉：文本密集区模型倾向"猜"而非"读"，长文档上尤其严重。
分辨率两难 ：裁剪降低开销但牺牲语义一致性与版面信息；原生分辨率保留细节却产生数量惊人的 token，工程上不可行3。
解法是解耦：把全局版面分析与局部内容识别拆开，让高分辨率只作用于真正需要精细识别的局部。
8 工程实现的两条路线
8.1 MinerU 从模块化流水线到解耦式 VLM
MinerU 在 2.5 从流水线转向解耦式 VLM。早期方案用 PDF-Extract-Kit 编排版面检测、公式识别、表格抽取等专用模型，便于单组件优化，但误差在阶段间传播、多栏与跨页版面鲁棒性有限、模块依赖使维护繁琐3。
MinerU2.5 是 1.2B 参数的解析 VLM，用由粗到细的两阶段解耦全局版面分析与局部内容识别。
#mermaid-svg-EnCUDk2Ia1uYCuJ1{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .error-icon{fill:#552222;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .marker.cross{stroke:#333333;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 p{margin:0;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .cluster-label text{fill:#333;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .cluster-label span{color:#333;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .cluster-label span p{background-color:transparent;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .label text,#mermaid-svg-EnCUDk2Ia1uYCuJ1 span{fill:#333;color:#333;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .node rect,#mermaid-svg-EnCUDk2Ia1uYCuJ1 .node circle,#mermaid-svg-EnCUDk2Ia1uYCuJ1 .node ellipse,#mermaid-svg-EnCUDk2Ia1uYCuJ1 .node polygon,#mermaid-svg-EnCUDk2Ia1uYCuJ1 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .rough-node .label text,#mermaid-svg-EnCUDk2Ia1uYCuJ1 .node .label text,#mermaid-svg-EnCUDk2Ia1uYCuJ1 .image-shape .label,#mermaid-svg-EnCUDk2Ia1uYCuJ1 .icon-shape .label{text-anchor:middle;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .rough-node .label,#mermaid-svg-EnCUDk2Ia1uYCuJ1 .node .label,#mermaid-svg-EnCUDk2Ia1uYCuJ1 .image-shape .label,#mermaid-svg-EnCUDk2Ia1uYCuJ1 .icon-shape .label{text-align:center;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .node.clickable{cursor:pointer;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .arrowheadPath{fill:#333333;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .cluster text{fill:#333;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .cluster span{color:#333;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 rect.text{fill:none;stroke-width:0;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .icon-shape,#mermaid-svg-EnCUDk2Ia1uYCuJ1 .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .icon-shape p,#mermaid-svg-EnCUDk2Ia1uYCuJ1 .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .icon-shape .label rect,#mermaid-svg-EnCUDk2Ia1uYCuJ1 .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-EnCUDk2Ia1uYCuJ1 :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 原始文档图像
Stage I 版面分析
整页缩放 1036×1036
固定尺寸 → bbox 定位更稳
低成本获得全局结构
按版面裁剪
局部区域
Stage II 内容识别
原生分辨率输入
上限 2048×28×28
保住密集文本与公式细节
文本 · 公式 · 表格
结构化输出
图5 MinerU2.5 两阶段解析策略
浅青为两个解析阶段，深青为结构化输出。
架构三件套 ：语言模型 0.5B Qwen2-Instruct（解析任务对 LLM 依赖低），1D-RoPE 换 M-RoPE 适配裁剪块多分辨率；视觉编码器 675M NaViT（Qwen2-VL 初始化），支持动态分辨率与 2D-RoPE；Patch Merger 对 2×2 视觉 token 做 pixel-unshuffle，折中效率与性能3。
两阶段参数 ：Stage I 整页缩放至 1036×1036，固定尺寸换取更稳 bbox 与更高训练效率；Stage II 按版面裁原图局部、原生分辨率输入，上限 2048×28×28，兼顾细节与算力3。
训练三阶段 ：Stage 0 模态对齐（先只训 Patch Merger 两层 MLP 并冻结其余，再全解冻做视觉指令微调）、Stage 1 解析预训练、Stage 2 解析微调，配数据引擎生成语料3。
收益复合：算力降一个数量级、可解释性提升、幻觉被结构性抑制、两阶段可独立迭代3。
8.2 Docling 统一文档模型与可插拔流水线
Docling 走另一条路：不做单一解析模型，而做可编排的文档转换框架。
#mermaid-svg-aU90VKQ3co2OgsHs{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-aU90VKQ3co2OgsHs .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-aU90VKQ3co2OgsHs .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-aU90VKQ3co2OgsHs .error-icon{fill:#552222;}#mermaid-svg-aU90VKQ3co2OgsHs .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-aU90VKQ3co2OgsHs .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-aU90VKQ3co2OgsHs .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-aU90VKQ3co2OgsHs .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-aU90VKQ3co2OgsHs .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-aU90VKQ3co2OgsHs .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-aU90VKQ3co2OgsHs .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-aU90VKQ3co2OgsHs .marker{fill:#333333;stroke:#333333;}#mermaid-svg-aU90VKQ3co2OgsHs .marker.cross{stroke:#333333;}#mermaid-svg-aU90VKQ3co2OgsHs svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-aU90VKQ3co2OgsHs p{margin:0;}#mermaid-svg-aU90VKQ3co2OgsHs .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-aU90VKQ3co2OgsHs .cluster-label text{fill:#333;}#mermaid-svg-aU90VKQ3co2OgsHs .cluster-label span{color:#333;}#mermaid-svg-aU90VKQ3co2OgsHs .cluster-label span p{background-color:transparent;}#mermaid-svg-aU90VKQ3co2OgsHs .label text,#mermaid-svg-aU90VKQ3co2OgsHs span{fill:#333;color:#333;}#mermaid-svg-aU90VKQ3co2OgsHs .node rect,#mermaid-svg-aU90VKQ3co2OgsHs .node circle,#mermaid-svg-aU90VKQ3co2OgsHs .node ellipse,#mermaid-svg-aU90VKQ3co2OgsHs .node polygon,#mermaid-svg-aU90VKQ3co2OgsHs .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-aU90VKQ3co2OgsHs .rough-node .label text,#mermaid-svg-aU90VKQ3co2OgsHs .node .label text,#mermaid-svg-aU90VKQ3co2OgsHs .image-shape .label,#mermaid-svg-aU90VKQ3co2OgsHs .icon-shape .label{text-anchor:middle;}#mermaid-svg-aU90VKQ3co2OgsHs .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-aU90VKQ3co2OgsHs .rough-node .label,#mermaid-svg-aU90VKQ3co2OgsHs .node .label,#mermaid-svg-aU90VKQ3co2OgsHs .image-shape .label,#mermaid-svg-aU90VKQ3co2OgsHs .icon-shape .label{text-align:center;}#mermaid-svg-aU90VKQ3co2OgsHs .node.clickable{cursor:pointer;}#mermaid-svg-aU90VKQ3co2OgsHs .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-aU90VKQ3co2OgsHs .arrowheadPath{fill:#333333;}#mermaid-svg-aU90VKQ3co2OgsHs .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-aU90VKQ3co2OgsHs .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-aU90VKQ3co2OgsHs .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-aU90VKQ3co2OgsHs .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-aU90VKQ3co2OgsHs .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-aU90VKQ3co2OgsHs .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-aU90VKQ3co2OgsHs .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-aU90VKQ3co2OgsHs .cluster text{fill:#333;}#mermaid-svg-aU90VKQ3co2OgsHs .cluster span{color:#333;}#mermaid-svg-aU90VKQ3co2OgsHs div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-aU90VKQ3co2OgsHs .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-aU90VKQ3co2OgsHs rect.text{fill:none;stroke-width:0;}#mermaid-svg-aU90VKQ3co2OgsHs .icon-shape,#mermaid-svg-aU90VKQ3co2OgsHs .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-aU90VKQ3co2OgsHs .icon-shape p,#mermaid-svg-aU90VKQ3co2OgsHs .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-aU90VKQ3co2OgsHs .icon-shape .label rect,#mermaid-svg-aU90VKQ3co2OgsHs .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-aU90VKQ3co2OgsHs .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-aU90VKQ3co2OgsHs .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-aU90VKQ3co2OgsHs :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} DocumentConverter
编排层
选后端 · 选流水线 · 传参数
Format Backend
PDF / DOCX / HTML
Pipeline + Options
PDF 模型链与参数
DoclingDocument
统一文档表示
内容项
texts · tables
pictures · key_value_items
内容结构
body · furniture · groups
阅读顺序 = body 树遍历
导出 / 序列化 / 分块
Markdown · dict
HybridChunker
图6 Docling 三层架构与统一文档表示
深青为中枢数据结构 DoclingDocument，其余为输入与输出通道。
Docling 为每种格式维护一个转换器，由它决定用哪个后端解析、哪个流水线协调执行、传哪些选项；转换结果即 DoclingDocument8。
DoclingDocument 是核心价值：一个 pydantic 类型，统一表达文本/表格/图片、章节与分组层级、正文与页眉页脚之分、所有项的 bbox 与来源9。
数据结构分两类。内容项存于 texts（段落、标题、公式，基类 TextItem）、tables、pictures、key_value_items；内容结构封装在 body（正文树根）、furniture（页眉页脚等非正文）、groups（列表、章节容器）。各项以 JSON 指针互引，阅读顺序由 body 树遍历决定9。
流水线组件 离线预取五类模型：版面、TableFormer、图片分类、代码与公式、EasyOCR。均可插拔------OCR 可换 RapidOCR/Tesseract，TableFormer 分 FAST/ACCURATE 两档，可强制整页 OCR 或接远程 VLM5。
RAG 分块 由 HybridChunker 承担，每个 chunk 自带 headings 层级路径与 prov 坐标，可直接入库5。
隐私设计 ：默认全本地不共享数据；用远程服务须显式设 enable_remote_services=True，否则抛 OperationNotAllowed()5。"默认不联网"使私有部署天然合规。
8.3 两条路线的定位差异
| 维度 | MinerU | Docling |
|---|---|---|
| 出身 | 上海人工智能实验室、OpenDataLab | IBM Research |
| 核心 | 高精度解析（自研文档 VLM） | 统一文档模型与可插拔流水线 |
| 强项 | 复杂版面、公式、表格精度 | 文档结构建模、多格式支持、RAG 分块 |
| 形态 | 解析引擎 | 转换框架与工具箱 |
| 输出 | Markdown、JSON（带 bbox） | DoclingDocument 多格式导出 |
| 适合场景 | 追求最高精度解析结果 | 需要可编排、可扩展的文档底座 |
表11 MinerU 与 Docling 定位差异
Docling 技术报告阐述了同一思路：以统一文档表示为中枢，后端、流水线与选项解耦，同一份文档可经不同路径加工后落到同一个可导出对象模型13。
两者共同趋势是从"流水线拼装"走向"统一模型 + 结构化文档表示"------这是当前阶段的架构共识：无论自研模型还是做框架，最终都要落到一个显式、可查询的文档对象模型。
9 校验、部署与评估
9.1 校验三支柱
"可校验"是文档智能区别于普通 OCR 的核心：数据必须能被追问。三支柱缺一不可。
| 支柱 | 机制 | 作用 |
|---|---|---|
| 置信度 | 字段级 confidence 输出，阈值经离线标注与线上 A/B 标定 | 低置信度自动路由到人工队列 |
| 溯源 | page_no 与 bbox 坐标、原文引用可回溯 | 让答案可核验而非盲信模型 |
| 规则校验 | 业务一致性（价税合计等于金额加税额）、跨单据对齐、Schema 校验 | 拦截语义层面的错误 |
表12 校验三支柱
落地走五步法1：
- 采集：汇聚单据，统一格式与命名
- 分类：判断类型并分流
- 提取：多模态抽关键字段，而非整页 OCR
- 审核：按业务规则校验，低置信度转人工
- 录入：回写 ERP 或财务中台
审核环节不能省。实践中的兜底闭环是"抽取---规则校验---转人工"：模型给每个字段打置信度，低于阈值的连同上下文推给业务人员确认，结果再反哺模型1。这才是生产环境跑得稳的组合。
9.2 私有部署
四个驱动力2：
- 合规：上传云端可能被用于训练，违反数据最小化原则；EDPB 指出大量个人数据训练 OCR 模型可能违反 GDPR
- 数据主权：合同、财务、医疗、证件类不可出内网
- 成本：按页计费在高吞吐下累积
- 可控：需要定制、微调与版本锁定
架构分四层【推导】：
- 模型层：离线预取解析模型、本地 OCR 与 VLM
- 服务层：vLLM/SGLang + 任务队列，长文档异步化
- 存储层：原文档、解析产物、中间态、向量库
- 治理层：权限继承、审计、脱敏
该分层由前文归纳得出，非某一文献直接主张。
三个部署陷阱：
- 隐写文本层 ：OCR 生成的可搜索 PDF 在图像下方留有不可见文本层，黑色矩形遮盖后仍可恢复，多起脱敏失败均源于此2
- 资源超限静默死 ：被内核杀死（退出码 137）时 Agent 收不到回调，须外置监控兜底10
- 版本升级缺回归：模型或组件升级后输出变化，无固定回归集则质量下降难被发现
9.3 三层精度评估
三层须同时评估，缺一层结论都不可信。
| 层 | 回答 | 指标 |
|---|---|---|
| 字符层 | 字对不对 | CER、WER、归一化编辑距离 |
| 结构层 | 结构对不对 | TEDS、TEDS-S、版面 mAP、阅读顺序编辑距离、公式 CDM |
| 语义层 | 意思对不对 | 字段级准确率与 F1、STP 率、DocVQA、InfoVQA、RAGAS 忠实度 |
表13 精度评估三层指标体系
CER 用 Levenshtein 距离计算（插入+删除+替换 除以真值字符数）2；TEDS 是表格树编辑距离相似度，TEDS-S 只比结构不含文本。字段级准确率衡量特定字段（如发票总额、保单号）是否完全正确，是文档自动化最关键的指标------字符准确率可达 99%，但发票金额抽错仍直接造成损失；金融与证件类要求 99.9%，这是直通式处理的门槛。STP 率指无需人工干预即可通过工作流的比例，2026 年领先系统可达 95%2。
9.4 OmniDocBench v1.6 基准
OmniDocBench 是当前被广泛采用的端到端文档解析基准，发表于 CVPR 2025117。
它评估文本、公式、表格、版面布局与阅读顺序：输入整页图像，输出含四类元素的 Markdown；领域覆盖多语言学术、金融、教科书、报纸、杂志、演示文稿7。
规模 1,651 页 = 1,355 基础 + 100 公式复杂 + 99 版面复杂 + 97 表格复杂；分辨率跨 570×829 至 10142×143427。
官方指标八项，描述与方向如下表。
| 指标 | 描述 | 方向 | 所属层 |
|---|---|---|---|
| text_block_Edit_dist | 正文文字准确度，与真值的归一化编辑距离 | 越低越好 | 字符 |
| table_Edit_dist | 表格内文字准确度，单元格文本的编辑距离 | 越低越好 | 字符 |
| display_formula_Edit_dist | 行间公式 LaTeX 还原准确度，公式串编辑距离 | 越低越好 | 字符 |
| table_TEDS | 表格结构加内容整体还原度，HTML 树编辑距离相似度 | 越高越好 | 结构 |
| table_TEDS_structure_only | 只看表格结构，忽略单元格文本 | 越高越好 | 结构 |
| display_formula_CDM | 公式渲染视觉一致性，字符检测匹配 | 越高越好 | 结构 |
| reading_order_Edit_dist | 阅读顺序正确性，与真值顺序的编辑距离 | 越低越好 | 结构 |
| normalized_score | 综合得分，文本、公式、表格加权归一 | 越高越好 | 综合 |
表14 OmniDocBench v1.6 官方指标集
表14 中有三组容易混淆的指标7：
- Edit_dist 与 CDM 的差别在度量对象：前者比较字符串序列，对符号顺序敏感；后者先把 LaTeX 渲染成图再比对字符位置，对"写法不同但视觉等价"的公式更宽容
- TEDS 与 TEDS-S 的差别在是否计入文本：TEDS 同时惩罚结构错误与内容错误，TEDS-S 只惩罚结构错误，两者差距大说明结构对但文字识别差
- table_Edit_dist 与 text_block_Edit_dist 分属两个对象：前者只统计表格内文字，后者统计正文文本块，分别衡量表格与正文的文字质量
评分用官方 v1.6 评估器在 Docker 沙箱中逐页独立进行；EvalScope 对各页指标取平均，Overall 仅基于文本、公式、表格三组件聚合计算7。
9.5 四个评估陷阱
| 陷阱 | 表现 | 对策 |
|---|---|---|
| 基准不等于业务 | 受控测试基准 98% 的系统，在真实业务文档上可能降至 85% | 用真实语料做 POC，覆盖低质量扫描、复杂表格、多页 PDF |
| 字符指标掩盖字段错误 | 字符准确率 99% 但发票总额抽错 | 把字段级准确率作为核心验收指标 |
| 单一指标失真 | 只报 TEDS 不报文本精度 | 三层同时报 |
| 静态基准饱和 | 公开榜单被持续刷榜，失去区分度 | 建私有测试集，模型变更必跑回归 |
表15 四个评估陷阱
第一条尤其值得强调。据腾讯云技术百科的建议，应选取一至两个典型文档类型做概念验证测试，使用真实业务文档（包含低质量扫描件、复杂表格、多页 PDF 等边缘案例）量化异常率与人工校正工作量；重点关注系统在真实文档语料库上的表现，而非理想条件下的基准数据------一个在受控测试中基准达 98% 的系统，在实际业务文档上可能降至 85%2。
10 六条能力边界
综合全文，六条必须记住的边界。
| 边界 | 含义 |
|---|---|
| 字符准不等于业务对 | 字段级准确率才是黄金指标，金融与证件类需 99.9% |
| 多模态不是银弹 | 多模态能同时理解文字、表格线、印章位置与排版逻辑，稳定性明显优于单模态 OCR，但仍需人工兜底闭环[1](#边界 含义 字符准不等于业务对 字段级准确率才是黄金指标，金融与证件类需 99.9% 多模态不是银弹 多模态能同时理解文字、表格线、印章位置与排版逻辑，稳定性明显优于单模态 OCR，但仍需人工兜底闭环[1] 审核环节不能省 低置信度转人工加结果反哺，才能持续保持准确率 绝对准确不可达 应把目标从 100% 准确率改为把出错概率压到可接受范围 模型上限由数据决定 MinerU2.5 的数据引擎在报告中占据与模型架构同等甚至更重的篇幅[3] 文档是 Agent 的感官 解析质量直接决定下游 Agent 的决策质量) |
| 审核环节不能省 | 低置信度转人工加结果反哺，才能持续保持准确率 |
| 绝对准确不可达 | 应把目标从 100% 准确率改为把出错概率压到可接受范围 |
| 模型上限由数据决定 | MinerU2.5 的数据引擎在报告中占据与模型架构同等甚至更重的篇幅[3](#边界 含义 字符准不等于业务对 字段级准确率才是黄金指标，金融与证件类需 99.9% 多模态不是银弹 多模态能同时理解文字、表格线、印章位置与排版逻辑，稳定性明显优于单模态 OCR，但仍需人工兜底闭环[1] 审核环节不能省 低置信度转人工加结果反哺，才能持续保持准确率 绝对准确不可达 应把目标从 100% 准确率改为把出错概率压到可接受范围 模型上限由数据决定 MinerU2.5 的数据引擎在报告中占据与模型架构同等甚至更重的篇幅[3] 文档是 Agent 的感官 解析质量直接决定下游 Agent 的决策质量) |
| 文档是 Agent 的感官 | 解析质量直接决定下游 Agent 的决策质量 |
表16 六条能力边界
最后一条在 AI 应用语境下尤其关键：当 Agent 读取合同、财报、票据完成任务时，解析质量不再是独立工程指标，而是决策链的第一环。解析错一个数字，后续所有推理都建立在错误前提上。
总结
文档智能不是把 OCR 做得更准，而是把文档变成能算、能查、能校验的数据。四段能力链里，解析负责看清，理解负责看懂，校验负责信得过，驱动负责用得上，少一段业务就跑不通。技术上，端到端 VLM 想一步到位，结果被 token 冗余和幻觉拖住，真正跑通的是解耦式两阶段，先用低分辨率看全局，再按版面切局部、用原分辨率细看。工程上，MinerU 追求解析精度，Docling 提供可编排的文档底座，两者都收敛到同一个共识，就是必须有一个显式的结构化文档表示。评估三层缺一层都不可信，但决定业务跑通的是字段级准确率与 STP 率。最后记住，文档是 Agent 的眼睛，眼睛花了，脑子再好也没用。
参考文献
1 阿里云开发者社区. "非结构化单据自动化：文档智能五步法与版式兜底实践." 阿里云开发者社区 , 2026-09-04.
2 腾讯云开发者社区. "OCR 技术百科." 腾讯云技术百科 , 2026-09-14.
3 J. Niu et al. "MinerU2.5: A Decoupled Vision-Language Model for Efficient High-Resolution Document Parsing." arXiv:2509.22186 , 2025.
4 S. Nassar et al. "TableFormer: Table Structure Understanding with Transformers." CVPR , 2022.
5 Docling Project. "Docling Usage Documentation." Docling 官方文档 , 2026.
6 OpenDataLab. "UniMERNet: A Universal Network for Real-World Mathematical Expression Recognition." GitHub , 2024.
7 ModelScope. "OmniDocBench-v1.6 评测适配文档." EvalScope 官方文档 , 2026.
8 Docling Project. "Docling 架构文档." Docling 官方文档 , 2026.
9 Docling Project. "DoclingDocument 文档结构文档." Docling 官方文档 , 2026.
10 腾讯云开发者社区. "CubeSandbox: 60 毫秒启动的 AI Agent 沙箱." 腾讯云开发者社区 , 2026-09-02.
11 L. Ouyang et al. "OmniDocBench: Benchmarking Diverse PDF Document Parsing with Comprehensive Annotations." CVPR , 2025.
12 Google Cloud. "Document AI 概览." Google Cloud 官方文档 , 2026-10-15.
13 IBM Research. "Docling Technical Report." arXiv:2408.09869, 2024.