MinerU-Diffusion

MinerU-Diffusion是OpenDataLab团队在ECCV 2026上发布的一个颠覆性文档OCR框架，它彻底改变了传统OCR的底层逻辑。过去，文档识别依赖自回归解码，一个字一个字地生成，速度慢且容易在长文档中累积错误。这个项目创新性地把OCR问题重新定义为“逆渲染”，用扩散模型（Diffusion Model）来做解码，直接按“块”并行生成整个文本区域，而不是逐字翻译。简单说，它把OCR从“打字员逐字敲键盘”变成了“印刷机整版压印”，速度和鲁棒性都有了质的飞跃。 技术亮点非常硬核。首先是块级并行扩散解码，模型能同时处理多个文本块，推理速度大幅提升，配合SGLang框架部署，生产环境下的吞吐量非常可观。其次，它天然具备布局感知能力，因为扩散模型是在二维空间上操作，能直接捕捉版面结构，对表格、多栏排版、复杂公式的识别效果远超传统OCR。模型只有2.5B参数，却能在保证高精度的同时保持轻量，对硬件要求很友好。另外，它摆脱了自回归解码对顺序的依赖，单点噪声不会像多米诺骨牌一样扩散到整篇文档，抗干扰能力显著增强。 适用场景非常广泛。凡是涉及文档数字化、档案扫描、PDF转Markdown、财务报表识别、学术论文提取、古籍数字化等领域，它都能大显身手。尤其适合处理那些让传统OCR头疼的复杂版面，比如带图表的论文、多栏报纸、手写批注混排的文档。开发者可以直接用HuggingFace或ModelScope上发布的预训练模型，快速集成到自己的文档处理管线中。 上手门槛不算高。项目是纯Python实现，依赖PyTorch生态，熟悉深度学习基础就能开始。官方提供了完整的推理脚本和模型权重，普通开发者照着文档跑通demo并不难。如果你想深入改造或微调，就需要对扩散模型和Transformer架构有一定理解，但好在代码结构清晰，社区也在快速壮大。总的来说，这是OCR领域一次值得关注的技术范式革新，对文档处理效率有刚需的团队应该尽早尝试。