1. Einführung in das Tutorial

MinerU2.5-2509-1.2B ist ein visuelles Sprachmodell, das im September 2025 von OpenDataLab und Shanghai AI Lab eingeführt wurde. Es ist für hochpräzise und hocheffiziente Dokumentenanalyseaufgaben konzipiert. Es ist die neueste Version der MinerU-Reihe und konzentriert sich auf die Konvertierung komplexer Formatdokumente wie PDF in strukturierte maschinenlesbare Daten (wie Markdown, JSON usw.). Die zugehörigen Ergebnisse des Papers lauten:MinerU2.5: Ein entkoppeltes Vision-Language-Modell für effizientes hochauflösendes Dokument-Parsing".

Dieses Tutorial verwendet Ressourcen für eine einzelne RTX 4090-Karte.

2. Projektbeispiele

3. Bedienungsschritte

1. Klicken Sie nach dem Starten des Containers auf die API-Adresse, um die Weboberfläche aufzurufen

2. Anwendungsschritte

Wenn „Bad Gateway“ angezeigt wird, bedeutet dies, dass das Modell initialisiert wird. Da das Modell groß ist, warten Sie bitte etwa 2–3 Minuten und aktualisieren Sie die Seite.

Parameterbeschreibung

• Formelerkennung aktivieren: Ob die Formelerkennung aktiviert werden soll. Wenn diese Option aktiviert ist, erkennt das System mathematische Formeln im Dokument und konvertiert sie in das LaTeX-Format.
• Tabellenerkennung aktivieren: Ob die Tabellenerkennungsfunktion aktiviert werden soll. Wenn diese Option aktiviert ist, erkennt das System die Tabelle im Dokument und konvertiert sie in das HTML-Format.
• Sprache: Wird verwendet, um die Sprache des Dokuments anzugeben. Dies kann die Genauigkeit der OCR verbessern.
• OCR erzwingen: Erzwingen Sie die Aktivierung der OCR-Funktion.

4. Diskussion

🖌️ Wenn Sie ein hochwertiges Projekt sehen, hinterlassen Sie bitte im Hintergrund eine Nachricht, um es weiterzuempfehlen! Darüber hinaus haben wir auch eine Tutorien-Austauschgruppe ins Leben gerufen. Willkommen, Freunde, scannen Sie den QR-Code und kommentieren Sie [SD-Tutorial], um der Gruppe beizutreten, verschiedene technische Probleme zu besprechen und Anwendungsergebnisse auszutauschen ↓

Zitationsinformationen

Die Zitationsinformationen für dieses Projekt lauten wie folgt:

@misc{niu2025mineru25decoupledvisionlanguagemodel,
      title={MinerU2.5: A Decoupled Vision-Language Model for Efficient High-Resolution Document Parsing}, 
      author={Junbo Niu and Zheng Liu and Zhuangcheng Gu and Bin Wang and Linke Ouyang and Zhiyuan Zhao and Tao Chu and Tianyao He and Fan Wu and Qintong Zhang and Zhenjiang Jin and others},
      year={2025},
      eprint={2509.22186},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2509.22186}, 
}