墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
700+累计阅读
705平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
🚀 MinerU 在线产品全新升级来啦！
之前我们发布了MinerU2.5模型，包含网页端/桌面客户端端/api 在内点MinerU 全线产品已经集成了最新模型，这波直接把文档解析做到天花板 💯
✨ 依托 MinerU2.5 多模态大模型，这次版本更新亮点满满：
✅ 表格旋转也能精准识别
✅ 无线/少线表格一键解析
✅ 代码段轻松提取
✅ 跨格式文档无损复制
✅ 参考文献智能识别
更赞的是 👉 中文公式、复杂数学公式、嵌套表格都做了深度优化！
导出 JSON / Markdown 秒用，复制、翻译、收藏全链路丝滑无感。
而且导出的 JSON 还保留页眉页脚、脚注、页码、侧边文本，开发者处理超方便～
📚 无论科研、金融还是教育场景，MinerU 都能帮你轻松搞定高质量文档解析，为知识库构建省时又省力！
案例展示：
MinerU是一款将PDF转化为机器可读格式的工具（如markdown、json），可以很方便地抽取为任意格式
MinerU是一款将PDF转化为机器可读格式的工具（如markdown、json），可以很方便地抽取为任意格式。
MinerU2.5：一种用于高效高分辨率文档解析的解耦视觉-语言模型
MinerU2.5是一款12亿参数的视觉-语言模型，专为高效文档解析而设计。它采用两阶段策略：先进行全局布局分析，再对文本、公式和表格进行精细识别。该模型在保持高计算效率的同时，实现了布局分析、公式解析（含中英混合方程）和复杂表格处理的突破性性能。
Ubuntu HackRF One、GNU Radio、Gqrx相关环境搭建
本文介绍Ubuntu HackRF One、GNU Radio、Gqrx相关环境搭建方法。
MinerU2.5是如何做到又快又好的？
MinerU 2.5 版本重点是介绍自 2.0 版本以来 vlm 端的进展，之前的集成处理方案(Pipeline)并没有大变化，因此下文中 MinerU 2.5 指代的就是 vlm 端的方案，而不是 Pipeline，这点提前声明，以避免混淆。VLM 的核心创新是采用解耦架构，通过从粗到细两阶段推理机制，将全局布局分析与局部内容识别分离开。在第一阶段，模型对下采样后的文档图像进行快速且整体的布局分析。在第二阶段，在检测到的布局指导下，从原始高分辨率输入中裁剪关键区域，并在局部窗口中进行精细识别。
保姆级教程：用U盘给浪潮服务器装系统（含RAID驱动加载技巧）
本文提供了一份详细的浪潮服务器U盘安装系统指南，重点介绍了RAID驱动加载技巧与实战步骤。从准备工作到系统安装全流程，涵盖RAID配置、驱动加载方法及常见问题排查，帮助用户高效完成服务器系统部署。特别强调RAID驱动与服务器型号的匹配性，确保安装过程顺利。
晶圆测试厂wafer map管理建议
按照Recipe设定bin定义 应有版本管理概念，一般使用最新版本做为活动版本即可 Bin明细中应包含 BinID、BinCode、BinName、BinType、BinColor、Description BinID可使用数字类型 BinCode可参照实际机台的Bin，用于匹配 有些公司也将BinID、BinCode理解为SBin和HBin 即 Software Bin & Hardware Bin 一般也将BinID对应到客户的Bin BinType
【文档解析】一文吃透 MinerU2.5：模型训练细节及本地部署效果测试
MinerU2.5 是一个拥有 12 亿参数的视觉-语言模型（VLM），专用于文档解析，在保持高计算效率的同时实现了业界领先的准确率。它采用两阶段解析策略：首先在下采样图像上进行高效的全局版面分析，然后在原始分辨率裁剪区域上对文本、公式和表格执行细粒度内容识别。借助一个大规模、多样化的数据引擎支持预训练和微调，MinerU2.5 在多个基准测试中持续优于通用模型和领域专用模型，同时保持较低的计算开销。
基于CANoe的Basic Diagnostics ECU (UDS)
基于CANoe的Basic Diagnostics ECU (UDS)
MinerU再次更新，网页解析功能上线！URL一键变Markdown，文档处理再无边界
导言：各位的铁粉们，你们的“生产力神兵”又进化了！还在为DeepResearch获取网页信息、网页知识库构建、复杂网页内容提取、网页文章复制乱码等场景感到头疼吗？在 AI 数据处理领域，以和为代表的行业先行者已经为我们展示了“网页转 LLM 友好格式”的巨大潜力，这次我们直接把深度优化的“网页解析”功能装进了网页端与桌面端，凭借在公式、表格识别上的深厚积淀，让整个互联网都成为你的 AI-Ready 语料库！今天，我们边上手边拆解，带你玩转。
【实战篇】【硅基流动API+Cherry Studio搭建个人知识库全流程解析：从零到精通的超详细指南】
在人工智能技术高速发展的今天，基于大语言模型的知识库已成为开发者提效的必备工具。然而云端服务存在响应延迟、数据隐私、硬件依赖等痛点。通过硅基流动API与的深度整合，我们既能享受大模型的强大能力，又能实现本地化部署与高效管理。本文将从环境配置到高阶调优，手把手带你构建企业级知识库系统。
uniapp：实现APP获取陀螺仪数据、加速传感器、线性加速传感器，uniApp实时监听陀螺仪【XYZ】数据及停止监听与资源释放等功能示例源码，根据需求做功能（完美兼容Android安卓、苹果ios）
uniapp陀螺仪，uniapp加速传感器，uniapp线性加速传感器，APP陀螺仪数据，uniapp app 端获取陀螺仪数据示例代码，手机中获取陀螺仪的数据，uniApp实时获取陀螺仪xyz数据，android陀螺仪方向,获得陀螺仪传感器，处理传感器数据，停止监听与资源释放，Android使用陀螺仪，uniapp苹果ios陀螺仪，uni-app设备之（加速计，罗盘，陀螺仪）插件安卓/IOS APP提供了获取陀螺仪数据的能力，手机陀螺仪传感器获得手机自身旋转的角度，陀螺仪获取旋转角度，陀螺仪、加速度传感器
AI代码开发宝库系列：PDF文档解析MinerU
MinerU作为新一代文档智能解析工具，凭借其强大的多模态处理能力和高精度识别效果，已经成为文档处理领域的标杆产品。无论是个人用户还是企业用户，都能从中获得巨大的效率提升。赶紧试试吧，让你的文档处理工作从此告别繁琐，走向自动化！本文由AI技术博主原创，转载请注明出处。关注我，带你解锁更多AI神器！
部署OpenClaw时设置环境变量提示export: not valid in this context的完整解决方案
OpenClaw环境变量设置错误解决方案 问题概述 在部署OpenClaw时设置环境变量出现"export: not valid in this context"错误，通常由以下原因导致： 在非交互式shell中使用export命令 在命令替换或管道中使用export 脚本文件包含Windows换行符(CRLF) 解决方案 修正脚本执行方式：确保export命令在正确的shell上下文中使用 使用source命令：通过. setup_openclaw.sh或source setup_op
MinerU技术解析+实操：小白用云端GPU零失败入门
本文介绍了基于星图GPU平台自动化部署OpenDataLab MinerU 智能文档理解镜像的完整流程，帮助用户快速搭建云端AI解析环境。该镜像可高效提取PDF中的文本、表格与公式，适用于模型微调、RAG知识库构建等场景，特别适合非技术背景用户实现零代码文档智能化处理。
ESP-IDF OTA升级过程中遇到的“esp_transport_read returned:-1 and errno:128”问题（4）
ESP-IDF OTA升级过程中遇到的“esp_transport_read returned:-1 and errno:128”问题（4）
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
开源文档智能新选择：MinerU镜像部署入门必看
本文介绍了如何在星图GPU平台上自动化部署MinerU 2.5-1.2B 深度学习 PDF 提取镜像，高效实现复杂PDF文档的结构化解析。该镜像支持多栏还原、公式LaTeX识别与表格结构提取，典型应用于学术论文整理与企业知识库构建，显著提升非结构化文档处理效率。
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
MinerU智能文档服务入门必看：支持PDF直接上传（非截图）的OCR增强型解析模式
本文介绍了如何在星图GPU平台上自动化部署MinerU智能文档理解服务镜像，实现PDF原生格式的OCR增强型解析。无需截图转换，支持直接上传PDF并进行结构化提取、表格识别与图文问答，典型应用于财务报表数据抽取、合同关键条款分析等专业文档处理场景。
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
RAG-Anything 工作流程详解与实战：让 RAG 真正“读懂“图表、表格和公式
RAG-Anything 是港大数据智能实验室（HKUDS）的开源项目，建立在 LightRAG 之上，定位是"All-in-One 的多模态文档 RAG 框架"。简单说，它想把文本、图像、表格、公式这些东西统统纳进同一套知识图谱里检索,而不是只把文字部分喂给模型。这篇文章把它的工作流程拆开讲清楚。
MinerU+GPT联合使用：云端1小时2块搞定智能文档
本文介绍了基于星图GPU平台自动化部署OpenDataLab MinerU 智能文档理解镜像的完整方案，结合GPT类大模型实现高效文档处理。用户可在云端快速搭建智能文档分析流水线，典型应用于合同审查、条款识别与风险提示等场景，显著提升AI应用开发效率，降低计算成本。
MinerU开发者入门必看：从镜像启动到结果查看全流程
本文介绍了如何在星图GPU平台上自动化部署MinerU 2.5-1.2B 深度学习 PDF 提取镜像，实现复杂版式文档的结构化提取。基于该平台，用户可快速解析含公式、表格、图片的PDF文件并输出Markdown，适用于学术资料整理与知识库构建等场景。
RAG 从入门到精通：文档解析神器 Docling/MinerU，到多模态系统 RAG-Anything
从“看清楚”到“看明白”，三款开源工具搞定 RAG 文档处理全流程
MinerU智能文档服务一文详解：如何用自然语言指令替代传统OCR工具
本文介绍了如何在星图GPU平台上一键自动化部署MinerU智能文档理解服务镜像，实现用自然语言指令替代传统OCR工具。该服务能精准理解文档内容，用户只需上传图片并提问，即可直接获取结构化答案或数据，例如从发票图片中快速提取金额、日期等关键信息，极大提升了文档处理效率。
MinerU文档理解服务入门指南：支持SVG/PNG/JPEG/BMP多图像格式
本文介绍了如何在星图GPU平台上自动化部署MinerU智能文档理解服务镜像，高效处理SVG/PNG/JPEG/BMP等多格式文档图像。用户可直接上传财务报表、合同或扫描件截图，通过自然语言提问，实时获取结构化文字、Markdown表格及图文联合分析结果，显著提升文档信息提取与业务洞察效率。
【AI神器】RAG-Anything：一键搞定PDF/Word/Excel/PPT/图片，小白程序员也能构建企业级知识库！
RAG-Anything是解决多模态RAG系统数据清洗痛点的开源项目，支持全格式文档处理、高保真解析、专业内容分析、多模态知识图谱和混合检索。基于asyncio设计，安装简单，但需一定资源支持。对处理复杂文档的企业级知识库开发，是全面且值得考虑的技术选型。
低成本GPU方案也能跑AI？MinerU CPU适配实战指南
本文介绍了如何在星图GPU平台上自动化部署OpenDataLab MinerU 智能文档理解镜像，高效实现扫描件、PDF截图及PPT页面等办公文档的结构化信息提取。用户无需GPU，仅通过Web界面或API即可快速完成表格识别、公式解析与待办事项抽取，显著提升行政、科研及中小企业文档处理效率。
MinerU多模态问答实战：上传带水印/倾斜/阴影的文档截图，仍保持高识别率
本文介绍了如何在星图GPU平台上自动化部署MinerU智能文档理解服务镜像，高效处理带水印、倾斜或阴影的真实场景文档截图。该镜像支持多模态问答，典型应用于业务人员快速提取合同/报表关键信息、教育科研工作者解析课件与论文截图，实现所见即所得的结构化内容生成。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1972
扫一扫
