論文の概要: MinerU2.5-Pro: Pushing the Limits of Data-Centric Document Parsing at Scale

• arxiv url: http://arxiv.org/abs/2604.04771v1
• Date: Mon, 06 Apr 2026 15:44:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.255378
• Title: MinerU2.5-Pro: Pushing the Limits of Data-Centric Document Parsing at Scale
• Title（参考訳）: MinerU2.5-Pro: 大規模データ中心のドキュメント解析の限界を押し上げる
• Authors: Bin Wang, Tianyao He, Linke Ouyang, Fan Wu, Zhiyuan Zhao, Tao Chu, Yuan Qu, Zhenjiang Jin, Weijun Zeng, Ziyang Miao, Bangrui Xu, Junbo Niu, Mengzhang Cai, Jiantao Qiu, Qintong Zhang, Dongsheng Ma, Yuefeng Sun, Hejun Dong, Wenzheng Zhang, Jutao Xiao, Jiayong Shi, Pengyu Liao, Xiaomeng Zhao, Huaping Zhong, Liqun Wei, Jing Yu, Jie Yang, Wei Li, Shasha Wang, Qianqian Wu, Xuanhe Zhou, Weijia Li, Zhenxiang Li, Zhongying Tu, Jiang Wu, Lijun Wu, Chao Xu, Kai Chen, Wentao Zhang, Yu Qiao, Bowen Zhou, Dahua Lin, Conghui He,
• Abstract要約: 我々は、データエンジニアリングとトレーニング戦略最適化のみで技術の現状を進展させるMinruproを提案する。 mineruproはOmniDocBenchv1.6で95.69を達成し、同じアーキテクチャのベースラインを2.71ポイント改善し、既存のすべてのメソッドを上回った。
• 参考スコア（独自算出の注目度）: 92.09717763663873
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current document parsing methods compete primarily on model architecture innovation, while systematic engineering of training data remains underexplored. Yet SOTA models of different architectures and parameter scales exhibit highly consistent failure patterns on the same set of hard samples, suggesting that the performance bottleneck stems from shared deficiencies in training data rather than architecture itself. Building on this finding, we present \minerupro, which advances the state of the art solely through data engineering and training strategy optimization while keeping the 1.2B-parameter architecture of \mineru completely fixed. At its core is a Data Engine co-designed around coverage, informativeness, and annotation accuracy: Diversity-and-Difficulty-Aware Sampling expands training data from under 10M to 65.5M samples while correcting distribution shift; Cross-Model Consistency Verification leverages output agreement among heterogeneous models to assess sample difficulty and generate reliable annotations; the Judge-and-Refine pipeline improves annotation quality for hard samples through render-then-verify iterative correction. A three-stage progressive training strategy -- large-scale pre-training, hard sample fine-tuning, and GRPO alignment -- sequentially exploits these data at different quality tiers. On the evaluation front, we fix element-matching biases in OmniDocBench~v1.5 and introduce a Hard subset, establishing the more discriminative OmniDocBench~v1.6 protocol. Without any architectural modification, \minerupro achieves 95.69 on OmniDocBench~v1.6, improving over the same-architecture baseline by 2.71 points and surpassing all existing methods including models with over 200$\times$ more parameters.
• Abstract（参考訳）: 現在の文書解析手法は、主にモデルアーキテクチャの革新と競合するが、トレーニングデータの体系的なエンジニアリングは未熟である。 しかし、異なるアーキテクチャとパラメータスケールのSOTAモデルは、同じハードサンプルセット上で非常に一貫した障害パターンを示しており、パフォーマンスボトルネックは、アーキテクチャ自体よりも、トレーニングデータの共有欠陥に起因することを示唆している。 そこで本研究では,データ工学とトレーニング戦略最適化のみで最先端の手法を推し進めつつ,1.2Bパラメータアーキテクチャを完全固定した。 ダイバーシティ・アンド・ディフルティ・アウェア・サンプリングは、分散シフトを補正しながら、トレーニングデータを10M未満のサンプルから65.5Mまで拡張する。クロスモデル整合性検証は、サンプルの難易度を評価し、信頼できるアノテーションを生成するために異種モデル間の出力合意を活用する。 3段階のプログレッシブトレーニング戦略 – 大規模な事前トレーニング、ハードサンプルの微調整、GRPOアライメント – は、これらのデータをさまざまな品質レベルで順次活用する。 評価面では、OmniDocBench~v1.5の要素マッチングバイアスを修正し、より差別的なOmniDocBench~v1.6プロトコルを確立し、ハードサブセットを導入します。 アーキテクチャの変更がなければ、OmniDocBench~v1.6で95.69を達成し、同じアーキテクチャのベースラインを2.71ポイント改善し、200$\times$以上のパラメータを持つモデルを含む既存のすべてのメソッドを上回った。

関連論文リスト

• UnicEdit-10M: A Dataset and Benchmark Breaking the Scale-Quality Barrier via Unified Verification for Reasoning-Enriched Edits [43.59555184340113]
  マルチツールチェーンをエンド・ツー・エンドのモデルと統一された検証後のステージで置き換える軽量なデータパイプラインを導入する。 スケーラブルな品質管理のために、7Bのデュアルタスクエキスパートモデル textbfQwen-Verify をトレーニングし、効率的な故障検出と命令再カプセル化を行う。 このパイプラインは、さまざまな基本的な複雑な編集タスクにまたがる10Mスケールのデータセットである textbfUnicEdit-10M を生成する。
  論文  参考訳（メタデータ） (2025-12-01T17:45:44Z)
• Optimizing Distributional Geometry Alignment with Optimal Transport for Generative Dataset Distillation [109.13471554184554]
  最適輸送(OT)距離最小化問題としてデータセット蒸留を再構成する。 OTは分布マッチングのための幾何学的に忠実なフレームワークを提供する。 提案手法は, 常に最先端の手法を効率よく上回っている。
  論文  参考訳（メタデータ） (2025-11-29T04:04:05Z)
• Pearl: A Foundation Model for Placing Every Atom in the Right Location [52.35027831422145]
  タンパク質-リガンド共フォールディングの基礎モデルであるPearlを紹介した。 パールはタンパク質-リガンド結合における新しい最先端性能を確立している。 Pearlは、パブリックなRuns N' PosesとPoseBustersベンチマークでAlphaFold 3や他のオープンソースベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-10-28T17:36:51Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• Composer: A Search Framework for Hybrid Neural Architecture Design [15.254101403488562]
  計算プリミティブを異なる比率で組み合わせたハイブリッドモデルアーキテクチャは、トランスフォーマーを超える有望な性能を示している。 モジュール型ハイブリッドモデルアーキテクチャ検索フレームワークであるComposerの設計において、原則化されたアプローチを取ります。 Composer を用いて,Llama 3.2 より優れたハイブリッド LLM アーキテクチャを新たに発見する。
  論文  参考訳（メタデータ） (2025-10-01T00:51:36Z)
• Automated Parsing of Engineering Drawings for Structured Information Extraction Using a Fine-tuned Document Understanding Transformer [0.352650106994433]
  本稿では,構造化情報抽出のためのハイブリッドディープラーニングフレームワークを提案する。 オブジェクト指向バウンディングボックス(OBB)モデルと変換器ベースの文書解析モデル(Donut)を統合する。 提案するフレームワークは、精度を改善し、手作業の労力を削減するとともに、精度駆動型産業におけるスケーラブルなデプロイメントをサポートする。
  論文  参考訳（メタデータ） (2025-05-02T18:33:21Z)
• Hybrid-Segmentor: A Hybrid Approach to Automated Fine-Grained Crack Segmentation in Civil Infrastructure [52.2025114590481]
  エンコーダ・デコーダをベースとした手法であるHybrid-Segmentorを導入する。 これにより、モデルは、様々な種類の形状、表面、き裂の大きさを区別する一般化能力を向上させることができる。 提案モデルは,5つの測定基準(精度0.971,精度0.804,リコール0.744,F1スコア0.770,IoUスコア0.630)で既存ベンチマークモデルより優れ,最先端の状態を達成している。
  論文  参考訳（メタデータ） (2024-09-04T16:47:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。