1. 功能背景与核心原理在传统的文档解析工具中图片通常只会被当作普通的图像块裁剪并保存缺乏对其具体内容的语义理解。MinerU 通过创新的“先粗后精”Coarse-to-Fine两阶段解析策略解决了这一问题。第一阶段全局版面分析模型首先接收下采样至1036 × 1036像素的低分辨率文档图像快速识别出文本、表格、公式和图片等元素的位置、类别及阅读顺序。第二阶段局部内容识别根据第一阶段输出的边界框Bounding Boxes模型返回到原始高分辨率图像上进行精确裁剪。针对这些高分辨率的局部图像块MinerU 进行细粒度的内容识别从而实现对图片场景的深度理解。2. 图片场景识别的配置要求要使 MinerU 识别并提取图片的具体场景内容需满足以下版本与配置要求版本要求需使用 MinerU 3.0 及以上版本。该版本引入了 Hybrid混合解析引擎将传统多模型管道与多模态视觉语言模型VLM结合。解析强度设置在调用解析引擎时必须将effort解析强度参数设置为high高强度模式。默认的medium模式仅追求解析速度不支持图片/图表的深度分析而high模式会调用视觉模型专门针对复杂图表和场景进行语义提取。3. 输出格式与数据结构开启高强度模式后MinerU 在提取图片文件的同时会生成对应的场景描述Caption。Markdown 格式在原文图片位置生成带有语义的占位符并将提取出的场景描述与图片路径进行绑定。JSON 格式中间态数据在输出的middle-json结构中系统会将图片的存储路径或 Base64 编码与识别出的场景描述进行结构化绑定方便后续程序直接读取和处理。4. 基于场景描述的检索方案获取图片场景描述后可通过以下流程实现图片的快速检索向量化将 MinerU 提取的图片场景描述Caption与原文本一并送入 Embedding 模型进行向量化存入向量数据库。语义检索当输入自然语言查询如“查找报告中关于 P/E 估值模型的公式截图”时系统通过向量相似度匹配到对应的文本段落。结果返回由于文本与图片描述在解析阶段已建立强绑定关系系统可直接返回该段落关联的具体图片文件实现精准的跨模态检索。