处理 PDF 的团队都踩过这个坑：OCR 把文字提取出来了，但标题层级全乱了、表格被拆成碎片、图片和它的说明对不上。文档看起来像是被机器扫了一遍，人根本没法直接用。
现在有个新工具，专门解决这个。叫 MinerU-Popo，来自上海 AI 实验室 OpenDataLab（就是那个做了 MinerU 的团队）。它不是去替换 OCR，而是给 OCR 的输出做「后处理」，把乱糟糟的页面级解析结果变成一棵有结构的文档树。
是什么
MinerU-Popo 是一个通用的 OCR 输出后处理框架，核心是一个 4B 参数的后处理模型。它做的不是重新识别文字，而是在已有 OCR 输出的基础上，完成四个子任务：
● 表格截断分析 — 跨页表格合并，识别表头重复
● 文本截断分析 — 判断段落是否跨页，合并连续内容
● 标题层级分析 — 识别文档中的章节标题，建立层级关系
● 图文关联分析 — 把图片和它的说明文字对应起来
最终的输出是一棵结构化的文档树，有标题层级，有章节顺序，表格和图片都在它该在的位置。
核心优势
1. 精度吊打通用 VL 模型
这是最让人意外的地方。MinerU-Popo 只有 4B 参数，但在文档结构识别任务上超越了 Qwen3-VL 全系列：
● MinerU-Popo（4B）：TEDS 90.6
● Qwen3-VL-32B：TEDS 78.0
● Qwen3-VL-8B：TEDS 65.9
● Qwen3-VL-4B：TEDS 56.5
4B 打赢 32B，靠的是任务专精——它专门为文档后处理训练，不浪费算力在图像理解的多余能力上。
2. 对主流 OCR 引擎都有效
不挑食。目前支持的后处理基座：
● MinerU → TEDS 53.7 → 90.6（+69%）
● MonkeyOCR → 48.9 → 87.4（+79%）
● Dolphin → 60.4 → 83.5（+38%）
● PaddleOCR → 59.3 → 82.6（+39%）
● GLM-OCR → 53.5 → 81.8（+53%）
无论你用哪个 OCR 引擎做初处理，接上 MinerU-Popo 都能再提一截。
3. 直接提升下游 RAG 效果
在 ViDoRe V3 检索基准上，加了 MinerU-Popo 结构化处理后，RAG 准确率明显提升：综合场景 82.3→84.4，金融 48.7→49.5，健康 63.2→66.8，工业 60.4→58.7，制药 64.4→71.6。有几个场景提升超过 7 个点。
4. 三步完成流水线
官方给出的使用流程只有三步：
① 准备好 OCR/Layout 输出（支持 MinerU、MonkeyOCR、Dolphin、PaddleOCR、GLM-OCR）
② 归一化标签格式（一行脚本）
③ 跑推理 → 构建文档树
不需要调模型，不需要标注数据，接上就能用。
安装使用
# 1. 创建环境
conda create -n popo python=3.10
conda activate popo
pip install -r requirements.txt
# 2. 下载模型
hf download DreamEternal/MinerU-Popo --local-dir models/MinerU-Popo
# 3. 配置环境变量（在 post_processing/model_utils.py 中修改）
export POPO_MODEL_PATH=./models/MinerU-Popo
# 4. 放入 OCR 输出 → 归一化 → 推理 → 构建文档树
bash scripts/run_label_normalization.sh
bash scripts/run_inference.sh
bash scripts/build_tree.sh
不是没有槽点
1. 依赖上游 OCR 的质量。 MinerU-Popo 是后处理，不是重新识别。如果 OCR 把文字认错了（比如把「0」认成「O」），后处理没有能力纠正。输入质量决定输出上限。
2. 长文档处理有挑战。 虽然有 Dynamic Chunking 机制处理长文档，但 1000 页以上的超长文档如何保持全局一致性，官方也没有给出具体数据。
3. 4B 模型推理还是需要 GPU。 不是纯 CPU 友好的工具。没有显卡的话，跑起来会比较吃力。
4. 目前没有开箱即用的 Demo 页面。 GitHub 没有在线 Demo，需要本地部署。对于想先体验再决定要不要装的用户来说，门槛稍高。
跟同类怎么比
如果你的需求是「PDF 转 markdown」，直接用 MinerU 就够了——它已经内置了结构化处理能力。但如果你已经在用某个 OCR 引擎（比如 PaddleOCR 或者 GLM-OCR），又不想换掉它，那 MinerU-Popo 是目前性价比最高的后处理方案：不用换 OCR，不用训模型，接上就能用。
如果你想的是「我能不能用一个通用 VL 模型直接搞定文档理解」，Qwen3-VL-32B 的数据也摆在上面了——4B 的 MinerU-Popo 精度比它高 12 个点，参数量只有它的 1/8。这个对比值得想一下。
一句话总结：如果你在搭 RAG 流水线、处理大量学术 PDF 或者企业文档，MinerU-Popo 是一个值得一试的「焊死在后处理环节」的组件。
GitHub：https://github.com/opendatalab/MinerU-Popo
HuggingFace：https://huggingface.co/DreamEternal/MinerU-Popo
论文：arXiv:2605.24973
标签：#MinerU-Popo #PDF解析 #文档结构化 #OCR后处理 #RAG #OpenDataLab #AI文档处理
关注我，每期分享一个帮你省事的强大工具 🛠️