MinerU-Popo：4B 后处理模型把跨页 OCR 拼回文档树，TEDS 53.7→90.6

MinerU 团队开源了 MinerU-Popo。它不是一个新 OCR 模型，而是一个专门给 OCR 结果做"后处理"的 4B 参数小模型。

后处理这个概念听起来不够性感，但文档解析最近两年最大的痛点恰好在这里。

一、单页 OCR 很强，但文档的逻辑断了

1. 问题出在"一页一页"

现在的 OCR 已经不是当年那种"认字"的 OCR。MinerU、PaddleOCR、GLM-OCR、Dolphin、MonkeyOCR，这些基于 VLM 的 OCR 模型，单页解析已经做得很强。

元素类型、位置框、阅读顺序、文本内容，每一页都能拆得很清楚。

但问题在于，"一页一页"的粒度，对应不上文档真实的逻辑结构：

• 一份文档是一页一页的，但逻辑不是。
• 一段话可能从第 3 页底部开始，到第 4 页才结束。
• 一张大表格可能被页边拦腰截断。
• 标题层级一跨页就乱掉。
• 图和文字各说各的。

把这些"页级"结果直接丢给 RAG 去检索，经常答非所问。因为答案往往散在跨页结构里，而不是某一页的某一段。

这就是文档级结构的必要性。比如，要在五百页招股书里找"这家公司 2024 年营收多少"，答案散在财务附注的两百多页里。没有结构，检索捞回来的是一堆无关段落；有了结构，系统会知道去"财务报表"那一章找，一步到位。

2. Popo 做的事

MinerU-Popo 补的正是这个缺口。

它不重新做识别，而是吃现有 OCR 的输出，把碎成一页一页的结果重新拼成文档级结构。总参数 4B，负责四件事：表格截断分析、文本截断分析、标题层级分析、图文关联分析。

拆开来看：

• 表格截断分析：把被页边切成两半的表格重新拼接。
• 文本截断分析：把从上一页断到下一页的话接回去。
• 标题层级分析：判断"2.3"到底是"2"的小节，还是与"2"平级。这个一旦乱了，整篇文档的目录就废了。
• 图文关联分析：让每张图找到它对应的那段文字。

这个"拼"不是简单的拼接，而是四件事一起完成，输出一棵完整的文档树。最终拿到的不是一堆页，而是一份有目录、有层级、图归图、文归文的结构化文档。

一句话：OCR 负责读，Popo 负责拼。

二、一个 4B 小模型凭什么干这活

1. 三招

面向任务的数据引擎

针对四个子任务生成 30K 条训练数据，并对输入做了精简，让模型只看到它需要的信息，不受无关内容干扰。

四个子任务的数据形态差异很大，硬混在一起训练会让模型糊涂。数据引擎先把数据按任务分开，再裁掉与当前任务无关的部分，模型学起来更干净。

动态分块与同步

长文档不可能一次全塞进模型，Popo 按动态块切分，块与块之间留有重叠，再把块级结果对齐，保持全局一致性。

被页边切断的段落，在这一步被重新接上。块与块之间的重叠像缝衣服的针脚，让相邻两块能够对齐，块间偏差在这层重叠里被抹平。

文档富化

把对齐后的结果建成一棵文档树，节点还能生成摘要，长的章节自动拆分，供下游检索和分析使用。

这一步最容易被低估。文档树建起来之后，检索不再需要在一堆平铺的页里捞，直接顺着树的层级往下走，准确性完全不同。

这三招下来，一个 4B 模型就能胜任以前需要大模型硬扛的工作。

2. 效果数据

接上 Popo 后处理之后，五家主流 OCR 的标题层级 TEDS 数据：

TEDS 是评测文档层级结构还原度的指标，简单理解就是机器还原出的标题层级与人眼判断的相似程度。各家原来都卡在五六十分，说明单页 OCR 对"层级"基本是放弃的；Popo 接入后全部冲到八十分以上。

与直接拿大模型硬做的对比更明显。Qwen3-VL-32B（32B 参数）直接做这件事，TEDS 只有 78.0，每秒处理 0.04 篇文档。Popo 用 4B 参数做到 TEDS 90.6，每秒处理 0.37 篇。参数只有八分之一，成绩反超，速度快九倍。

这说明两件事：

• 文档级结构还原不需要数百亿参数硬扛，小模型用对地方一样能解决问题。
• 推理速度上来了才能谈大规模落地。每秒 0.37 篇，一天可以处理超过三万篇文档，这个吞吐量才是企业级可用的。

下游 RAG 同样受益。在 ViDoRe V3 基准上，大多数子集的检索准确率都有提升，单次查询延迟最高降低 70%。

延迟降低 70% 意味着，同样的知识库，以前用户等三秒出答案的场景，现在不到一秒。对客服、内部问答这类高频场景，这是体验上的质变。

另一个实际要点：Popo 是"加"在现有 OCR 后面的，不需要推倒重来。原来用哪家 OCR 可以继续用，后面挂一层 Popo 就行。

3. 文档 AI 分工里多了一个环节

文档处理流水线过去大致是：版面结构负责看清，视觉负责看懂，推理负责想明白。

现在需要补一环——结构。

OCR 把一页页的字抠出来，Popo 把跨页的结构拼起来，拼完之后，推理模型才有完整的文档可以分析。

缺了这一环，再聪明的推理模型看到的也是一堆断开的页。后续选型不能只看单页识别率，要看整条链路：谁负责读、谁负责拼、谁负责想，每个环节是否闭环。

4. 成本账

4B 模型与需要 32B 才能完成的工作相比，省下的是实际的计算成本。速度差九倍，意味着同样的服务器可以处理九倍量的文档。这比纠结每页几厘钱的 token 费用重要得多。

换算一下：32B 模型跑一次全文档的单位处理成本与 4B 差出不少。对每天处理数万页文档的企业，这一项可能省出一台服务器的费用。

Popo 是即插即用式的接入，不用推翻现有 OCR 系统。MinerU、PaddleOCR、GLM-OCR 的输出它都能接，做一下格式规范化即可。对已经在用这些工具的企业，几乎是零迁移成本，历史积累的处理好的文档可以直接衔接。

三、文档 AI 的下一层是"结构"

文档 AI 这几年是一层一层往上爬的：

• 最早是"识别"——把纸上的字变成文本。
• 然后是"读懂"——模型理解语义。

Popo 补上的是中间夹着的一层："结构"。

字认识了、语义理解了，但段落与段落之间、表格与正文之间、图与文之间的关系，一直在丢。Popo 做的事，就是把这层关系捡回来。

一个简单的例子：产品说明书，第 1 页是标题页，第 2 页是参数表，第 3 到第 5 页讲用法。单页 OCR 能把这五页的字全部认出来，但它不知道"第 2 页那张表"就是"第 1 页那个产品"的参数。人看文档是带着结构看的——哪是标题、哪是正文、哪是表格，一目了然。

OCR 让机器"看见"了字，Popo 让机器"看见"了文档的骨架。结构立起来之后，文档才真正从"一堆页"变成"一本书"。

小结

文档解析的竞争点，正在从"单页识别率"转向"整篇结构还原度"。谁能把跨页的逻辑接得最完整，谁就赢得下一程。

OCR 不会消失，而且会越来越有价值。但价值点不再是"认字"，而是"认字之后怎么拼"。后处理这个环节，会成为文档 AI 的基础组成部分。

判断一个文档处理工具，不能只看它能不能读对一页，还要看它能不能读懂一整篇。结构对了，下游的检索、分析、问答才顺。

项目信息：

• 论文：https://arxiv.org/html/2605.24973v2
• GitHub：https://github.com/opendatalab/MinerU-Popo/tree/master