Uni-Parser Technical Report

📄 arXiv: 2512.15098v1 📥 PDF

作者: Xi Fang, Haoyi Tao, Shuwen Yang, Suyang Zhong, Haocheng Lu, Han Lyu, Chaozheng Huang, Xinyu Li, Linfeng Zhang, Guolin Ke

分类: cs.CV

发布日期: 2025-12-17

💡 一句话要点

Uni-Parser：面向科学文献和专利的高通量文档解析引擎

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 文档解析 多模态学习 科学文献 专利分析 GPU加速 分布式推理 模块化架构

📋 核心要点

  1. 现有文档解析方法通常基于流水线，缺乏跨模态信息的有效整合，限制了整体性能和可扩展性。
  2. Uni-Parser采用模块化多专家架构，保留细粒度的跨模态对齐，并支持动态模块编排，提升了解析的灵活性和准确性。
  3. Uni-Parser通过自适应GPU负载平衡和分布式推理，实现了在8个NVIDIA RTX 4090D GPU上每秒20页PDF的处理速度。

📝 摘要（中文）

本技术报告介绍了Uni-Parser，这是一款工业级的文档解析引擎，专为科学文献和专利设计，旨在提供高吞吐量、强大的准确性和成本效益。与基于流水线的文档解析方法不同，Uni-Parser采用模块化、松耦合的多专家架构，保留了文本、公式、表格、图形和化学结构之间的细粒度跨模态对齐，并且易于扩展到新兴模态。该系统集成了自适应GPU负载平衡、分布式推理、动态模块编排和可配置模式，支持整体或特定模态解析。Uni-Parser针对大规模云部署进行了优化，在8个NVIDIA RTX 4090D GPU上实现了高达每秒20页PDF的处理速度，从而能够在数十亿页上实现经济高效的推理。这种可扩展性促进了广泛的下游应用，从文献检索和摘要到化学结构、反应方案和生物活性数据的提取，以及用于训练下一代大型语言模型和AI4Science模型的大规模语料库的整理。

🔬 方法详解

问题定义：现有文档解析方法，特别是针对科学文献和专利的解析，通常采用流水线式的处理方式，各个模块之间耦合紧密，难以维护和扩展。此外，这些方法在处理多模态信息（如文本、公式、表格、图像等）时，往往忽略了它们之间的关联，导致解析精度不高，且难以适应新的模态。

核心思路：Uni-Parser的核心思路是采用模块化、松耦合的多专家架构，将文档解析任务分解为多个独立的模块，每个模块负责处理特定类型的模态信息。通过保留细粒度的跨模态对齐，并采用动态模块编排，使得系统能够灵活地处理各种复杂的文档结构，并易于扩展到新的模态。

技术框架：Uni-Parser的整体架构是一个多专家系统，包含多个独立的解析模块，每个模块负责处理特定类型的模态信息（如文本、公式、表格、图像等）。系统采用动态模块编排机制，根据输入文档的特点，自动选择合适的模块进行处理。此外，系统还集成了自适应GPU负载平衡和分布式推理机制，以提高处理速度和可扩展性。

关键创新：Uni-Parser的关键创新在于其模块化、松耦合的多专家架构和动态模块编排机制。这种架构使得系统能够灵活地处理各种复杂的文档结构，并易于扩展到新的模态。与传统的流水线式方法相比，Uni-Parser能够更好地保留跨模态信息，提高解析精度。

关键设计：Uni-Parser的关键设计包括：1) 模块化的专家设计，针对不同模态设计不同的解析模块；2) 动态模块编排，根据文档内容自适应选择解析模块；3) 自适应GPU负载平衡，优化GPU资源利用率；4) 分布式推理，提高处理速度和可扩展性。具体的参数设置、损失函数和网络结构等技术细节在论文中未详细说明，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

Uni-Parser在8个NVIDIA RTX 4090D GPU上实现了高达每秒20页PDF的处理速度，展示了其卓越的性能和可扩展性。该系统能够高效地处理大规模的科学文献和专利数据，为各种下游应用提供强大的支持。具体的精度指标和对比基线在报告中未详细给出，属于未知信息。

🎯 应用场景

Uni-Parser的应用场景广泛，包括文献检索、自动摘要、化学结构提取、反应方案分析、生物活性数据挖掘等。它还可以用于构建大规模语料库，以训练下一代大型语言模型和AI4Science模型。该引擎能够提升科研效率，加速科学发现，并为相关产业提供强大的数据支持。

📄 摘要（原文）

This technical report introduces Uni-Parser, an industrial-grade document parsing engine tailored for scientific literature and patents, delivering high throughput, robust accuracy, and cost efficiency. Unlike pipeline-based document parsing methods, Uni-Parser employs a modular, loosely coupled multi-expert architecture that preserves fine-grained cross-modal alignments across text, equations, tables, figures, and chemical structures, while remaining easily extensible to emerging modalities. The system incorporates adaptive GPU load balancing, distributed inference, dynamic module orchestration, and configurable modes that support either holistic or modality-specific parsing. Optimized for large-scale cloud deployment, Uni-Parser achieves a processing rate of up to 20 PDF pages per second on 8 x NVIDIA RTX 4090D GPUs, enabling cost-efficient inference across billions of pages. This level of scalability facilitates a broad spectrum of downstream applications, ranging from literature retrieval and summarization to the extraction of chemical structures, reaction schemes, and bioactivity data, as well as the curation of large-scale corpora for training next-generation large language models and AI4Science models.