[논문리뷰] MinerU2.5: A Decoupled Vision-Language Model for Efficient High-Resolution Document Parsing

링크: 논문 PDF로 바로 열기

저자: Junbo Niu, Zheng Liu, Zhuangcheng Gu, Bin Wang, Linke Ouyang, et al.

핵심 연구 목표

본 연구는 기존 비전-언어 모델(VLM)이 고해상도 문서 처리 시 겪는 토큰 중복, 높은 계산 비용, 환각 문제 등의 한계를 극복하는 것을 목표로 합니다. 특히, 전반적인 계산 효율성을 유지하면서도 복잡하고 밀도 높은 문서의 구조 및 내용을 정확하게 파싱하기 위한 효율적인 디커플링 비전-언어 모델을 제안합니다.

핵심 방법론

MinerU2.5는 거친-세밀(coarse-to-fine) 방식의 두 단계 추론 메커니즘을 사용합니다. 첫 번째 단계에서는 다운샘플링된 이미지(1036x1036 픽셀)에서 효율적인 전역 레이아웃 분석을 수행하고, 두 번째 단계에서는 감지된 레이아웃 가이드를 따라 원본 이미지의 네이티브 해상도(최대 2048x28x28 픽셀)로 주요 영역을 잘라내어 세밀한 내용 인식을 진행합니다. 모델 아키텍처는 675M 파라미터 NaViT 비전 인코더와 0.5B 파라미터 Qwen2-Instruct LM 디코더를 기반으로 하며, Iterative Mining via Inference Consistency (IMIC) 전략을 포함하는 종합적인 데이터 엔진으로 대규모 고품질 학습 데이터를 구축합니다.

주요 결과

MinerU2.5는 OmniDocBench, Ocean-OCR, olmOCR-bench 등 다수의 벤치마크에서 최첨단 성능(SOTA)을 달성했습니다. OmniDocBench에서 90.67의 전체 점수를 기록하여 dots.ocr (88.41) 및 Gemini-2.5 Pro (88.03)를 능가했습니다. 특히 텍스트 인식에서 0.047의 가장 낮은 편집 거리를, 수식 인식에서 88.46 CDM 점수를, 테이블 인식에서 88.22 TEDS 점수를 기록하며 최고 성능을 입증했습니다. 또한 A100 80G에서 2.12 pages/s의 추론 처리량을 달성하여 MonkeyOCR-Pro-3B보다 4배 빠른 효율성을 보여주었습니다.

AI 실무자를 위한 시사점

MinerU2.5는 고해상도 문서 파싱에서 전례 없는 정확도와 효율성을 제공하여 RAG(Retrieval-Augmented Generation) 및 정보 추출과 같은 다운스트림 AI 애플리케이션의 핵심 기반 도구로 활용될 수 있습니다. 디커플링된 2단계 전략은 복잡한 시각적 입력 처리에서 효율성과 정확성 사이의 균형을 맞추는 강력한 방법론을 제시하며, 경량 모델(1.2B 파라미터) 설계는 실용적인 배포 가능성을 높여 AI 실무자들에게 큰 이점을 제공합니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.