MinerU-Popo：结构化文档解析的通用后处理模型

基于视觉语言模型（VLM）的OCR模型已成为文档解析的事实标准，因其能够准确提取页面级元素（如单个页面内的段落）及其边界框和文本内容。然而，下游应用如检索增强生成（RAG）需要连贯的文档级信息，而这些模型常在跨页面连续性方面出错，难以恢复因页面边界被截断而中断的结构，如被截断的段落和表格。此类关系不局限于单一页面，而需要跨多页面对标题、段落、表格和图像进行联合分析。因此，自然的解决方案是重用现有OCR输出，通过后处理重建文档级逻辑结构。为此，我们提出MinerU-Popo，这是一个轻量且通用的OCR输出后处理框架，将来自不同解析器的页面级结果转换为连贯的文档级结构。MinerU-Popo将问题分解为四个专注子任务：文本截断恢复、表格截断恢复、标题层次重建和图像文本关联。为有效解决这些问题，我们构建了任务导向的数据引擎，采用任务特定的输入过滤，并使用生成的数据（30K）微调一个轻量级后处理模型（Qwen3-VL-4B）。为支持长文档，我们引入基于重叠的动态分块机制，对齐精炼模型的分块级输出并保持全局一致性。最后，我们将对齐后的输出组装成树状文档表示，并通过节点分块和摘要进一步丰富，以支持下游检索和分析。实证结果表明，MinerU-Popo在所有五个测试OCR模型上的标题层次TEDS提升至少20%，改善了RAG准确率并降低了每个查询的延迟。