当前，以 Agent 为核心的新一轮技术浪潮正在席卷产业。那么，世界模型的下一个突破在哪？Agent 从 Demo 到工程化还差什么？研发体系不重构，还能撑多久？

6 月 26 日-6 月 27 日，AICon全球人工智能开发与应用大会将在上海举办。本次大会将围绕以上问题，邀请来自腾讯、阿里、快手、华为、飞猪等 50+头部企业的技术负责人、高校与科研机构的一线专家，分享 Agent 在真实生产环境中的落地经验与前瞻思考。深入探讨 Agent 从原型到量产的工程挑战、数据与记忆的基础设施底座、安全可信的落地保障，以及大模型推理优化、智算架构升级等关键命题。

上海人工智能实验室青年科学家何聪辉确认出席 “人工智能前沿技术探索” 专题，发表题为《MinerU：面向 Agent 时代的文档解析基础设施演进与实践》的主题分享。在 LLM 预训练与 RAG 规模化应用的今天，高质量文档数据的获取已成为制约 AI 能力突破的瓶颈。本次演讲将深度拆解开源文档解析基础设施 MinerU 的演进历程：从基于传统 OCR 与布局检测的 v1 Pipeline 方案，到引入解耦式多模态大模型的 v2.5 架构，再到最新突破性能天花板、纯数据驱动的 v2.5-Pro 范式。本次演讲将重点分享 MinerU 如何攻克公式识别（UniMERNet）、复杂布局检测（DocLayout-YOLO）及表格解析（OTSL）等核心硬核技术，并首次公开其背后的“数据炼金术”——包含多样性感知采样（DDAS）与跨模型一致性验证（CMCV）在内的三维协同数据引擎。最后，演讲将展示 AgenticOCR 与扩散并行解码等前沿探索，探讨文档解析如何从“静态提取”转向“动态智能体感知”。

何聪辉，清华大学计算机科学博士，上海人工智能实验室青年科学家、数据平台中心负责人。长期深耕高性能计算与人工智能交叉领域，谷歌引用超 1 万次，曾获 ACM 戈登·贝尔奖（超算领域最高奖）、ACL 最佳主题论文奖等国际顶级荣誉。在上海人工智能实验室组建 OpenDataLab 团队，专注于 AI 数据基础设施建设。团队研发的 MinerU 发布一年获 GitHub 6 万星标，调用量超 10 亿次，被 Google、华为、阿里等百家企业采用；所建立的评测基准被 Google Gemini 3 和 OpenAI GPT-5 官方采纳，是其中唯一来自中国团队的成果。他在本次会议的详细演讲内容如下：

演讲提纲：

1. 时代背景：文档解析为何成为 AI 的“入场券”？

   演进脉络：从单一 OCR 任务到智能文档理解（IDP）的跨越。

   双轮驱动：LLM 预训练对海量高质量知识的渴求 vs RAG 系统对精准检索的刚需。

   竞争格局：OmniDocBench 时代的百家争鸣与 MinerU 的定位。

2. 技术进化论：MinerU 的三个里程碑

   MinerU v1 (Pipeline)：

   核心组件：UniMERNet 公式识别与 DocLayout-YOLO 布局检测

   工程化落地：四阶段处理流（预处理 -> 解析 -> 后处理 -> 格式转换）

   MinerU 2.5 (Decoupled VLM)：

   架构创新：低分辨率全局布局（Stage I）与原分辨率局部识别（Stage II）的解耦

   效率突破：解决端到端模型 $O(N^2$ token 复杂度难题

   MinerU 2.5-Pro (Data-Centric)：

   核心洞察：架构趋同下，性能瓶颈已转向训练数据的质量与分布

   数据驱动：同参数规模下的性能飞跃（Overall 92.98 -> 95.69）

3. 算法深潜：攻克文档解析的“三座大山”

   公式之巅：UniMERNet 百万级数据集与 CDM 视觉级评测指标

   布局之变：统一 21 类细粒度标签体系与 PageIoU 评估标准

   表格之困：OTSL 压缩格式（28 -> 5 tokens）与旋转矫正流水线

4. 数据炼金术：大规模数据工程的闭环（Pro 版核心）

   采样逻辑 (DDAS)：视觉特征聚类与难度感知采样

   验证机制 (CMCV)：异构模型交叉验证，精准定位模型短板

   标注闭环：Judge-and-Refine 自动校正与定向专家标注

5. 未来探索：迈向 Agent 与 扩散模型

   AgenticOCR：按需动态解析，从“全量扫读”到“智能点读”

   MinerU-Diffusion：基于扩散模型的非自回归解码，实现 3.26x 速度提升

听众收益：

• 以获得一套可直接落地的 RAG 数据清洗管线参考，了解如何处理公式、表格、阅读顺序等“硬骨头”。

• 能够学习到如何构建百万级高质量数据集（UniMER-1M）以及如何设计多模型协同的数据引擎（Data Engine）方法论。

• 通过 MinerU 的演进路线，可以清晰地看到文档解析技术从“拼凑工具库”到“垂直多模态大模型”再到“数据为王”的发展趋势，为企业数字化转型提供技术选型依据。

• 了解到国产开源项目在登顶 GitHub Trending 背后，不仅有工程实现的努力，更有在顶级学术会议（CVPR 2025/2026）上的深度理论创新。

除此之外，本次大会还策划了端侧 AI、物理与数字空间智能化、世界模型与多模态智能突破、Agent 架构与工程化实践、Agent 安全与可信治理、企业级研发体系重构、AI 原生数据工程、AI 时代的个人提效与组织变革等 14 个专题论坛，届时将有来自不同行业、不同领域、不同企业的 50+资深专家在现场带来前沿技术洞察和一线实践经验。

更多详情可扫码或联系票务经理 13269078023 进行咨询。