打通AI4S数据入口：MinerU.Chem让化学文献中的“图片”，从“人类可读”走向“AI可用”

不管是药物研发、芯片制造，还是先进材料创新等，许多关键领域都离不开高质量有机化学数据。

但有机化学领域的朋友都知道，在论文和专利中，许多关键的化学知识并不以文字形式存在，而是藏在图片里。图里的分子结构、化合物编号、反应路线、催化剂和反应条件，化学家一眼能看懂，但对数据库、检索系统和 AI 模型来说，它们常常仍只是一张张像素图片。这造成了一个长期难题：有机化学知识明明写在论文里，却没有进入机器可计算的数据流。人能读懂，AI 却用不上。

最近，上海人工智能实验室 OpenDataLab 团队发布 MinerU.Chem 技术报告及系列研究成果，并升级了 MinerU 线上服务中的化学文献智能解析能力，后续也将上线「书生·端砚」科学发现平台，打通“化学文献图片”到“AI 可用数据”的关键入口。团队也希望以此为基础，与化学、药学、新材料等领域的科研团队和产业伙伴共同探索高质量化学数据建设与真实场景应用。快来看看！

（文末有交流群，欢迎加入）

MinerU.Chem 论文、技术报告与开源资源：

● MinerU.Chem 在线平台：https://mineru.net/chem

● MinerU.Chem 技术报告：https://arxiv.org/abs/2608.03525

● GTR-VL 分子结构识别方法论文：https://arxiv.org/abs/2506.07553

● MolRecBench-Wild 分子结构识别评测基准论文：https://arxiv.org/abs/2605.05832

● RxnCaption 反应图解析方法论文：https://arxiv.org/abs/2511.02384

● RxnID 反应图解析方法论文：https://arxiv.org/abs/2603.15011

01 化学文献结构化，究竟有多难？

传统 OCR 擅长识别文字，却无法真正理解化学结构。即使识别出“1a”“2b”或某段反应条件，也未必知道它们分别对应哪个分子、属于哪一步反应。分子结构识别同样远不只是“图片转 SMILES 格式”。真实论文中还存在缩写基团、手性键、Markush 通式、聚合物重复单元、波浪键、非标准键、复杂电荷，以及低分辨率扫描、结构重叠和拥挤排版等等一系列问题。

反应图解析则更进一步。系统不仅要识别每个分子，还要判断谁是反应物、谁是产物，试剂和条件对应哪一条箭头，多条箭头又如何组成完整的合成路线。这意味着，化学文献结构化同时涉及视觉识别、版面分析、化学语义理解和关系推理。依赖人工整理不仅周期长、成本高，而且难以覆盖海量文献，更难形成持续更新、可供 AI 训练的数据体系。

大量高价值化学知识因此被“锁”在 PDF 里：论文中存在，数据流中缺失；人类可以阅读，机器却无法规模化利用。

图为 MOSAIC / MolRecBench-Wild 双维度难度空间。来源：MolRecBench-Wild 论文素材。真实文献中的分子结构同时具有视觉复杂度和化学语义复杂度。

02 MinerU.Chem，正是为解决这一问题而生

MinerU.Chem 是上海人工智能实验室 OpenDataLab 团队在 MinerU 通用文档解析引擎基础上打造的化学文献智能解析系统。它要做的，不是简单把论文转成文本，而是进一步读懂其中的分子结构和反应关系，把原本散落在图片中的化学知识，转化为可检查、可追溯、可下载的结构化数据。

用户上传有机化学论文 PDF 后，系统能够完成四项核心任务：

● 分子结构图检测：定位论文页面、图表和反应方案中的分子结构图。

● 分子指代符提取：将分子与“1a”“2b”等化合物编号建立关联。

● 分子结构识别：把分子图转化为机器可读的化学结构。

● 反应路径图解析：从反应方案图中提取反应物、产物、条件及其关系。

最终，MinerU.Chem 可以生成分子汇总表、反应汇总表和结构化 JSON，为人工校验、化学数据库建设、知识库构建以及 AI4Chem 模型训练提供直接可用的数据基础。MinerU.Chem 目前已上线在 MinerU 平台，欢迎体验：

https://mineru.net/chem/

（需设置按钮里手动打开化学解析功能）

03 从识别分子到理解反应：让结果真实、完整、可核验

从“看见图片”到“读懂分子和反应”，这件事不能靠普通OCR完成。普通OCR能读字，而化学文献结构化要解决的是三层问题：图里有什么分子、分子结构是否忠实于原图、这些分子之间发生了什么反应。因此，MinerU.Chem 构建了“真实、完整、可核验”的三大能力标准。

所谓“真实”，首先体现在评测对象上。MinerU.Chem 不是只在干净、标准的理想图片上验证能力，而是面向真实化学文献中的复杂样本。团队为此构建了 MolRecBench-Wild 分子结构识别评测基准，完整评测集包含 5,024 张分子结构图、5,024 份图结构标注和 2,392 份 SMILES 标注，并通过团队提出的 MOSAIC（分子图像复杂度的视觉—语义评估）框架，从视觉呈现和化学语义两个维度归纳出 37 类难点，其中包括 18 类视觉复杂度和 19 类化学复杂度。这套基准不仅衡量真实样本“有多难、难在哪里”，也为模型针对不同难点进行优化提供了依据。

在识别环节，“真实”还意味着忠实于原图。团队提出的 GTR-VL 框架引入图遍历式视觉思维链机制，不再采用“先识别全部原子、再统一预测化学键”的传统路径，而是沿着分子图交替识别原子与化学键；面对 Ph、Pr、Bu 等缩写基团时，则保留图中实际出现的缩写，避免识别结果与原图错位。在此基础上，团队进一步提出 CARBON（复杂原子表示与键合对象表示法），把原子、化学键、缩写基团、复杂属性和空间坐标完整记录下来，并可进一步生成 SMILES 格式。因此，MinerU.Chem 得到的不只是一串难以追溯的字符串，而是一份与原图对应、信息完整的结构化分子记录。

单个分子得到忠实而完整的记录后，下一步是还原这些分子之间的反应关系。一张反应图不仅包含多个分子，还包含反应物、产物、反应条件、箭头和步骤顺序；模型既要找到每个分子，也要判断它们在不同步骤中扮演什么角色，并把分散的信息组织成完整的反应路线。这意味着系统必须从“读懂一个分子”继续走向“读懂一整条反应”。

针对这一问题，团队先提出 RxnCaption 反应图解析方法：由检测器框出图中的分子并编号，再让模型围绕编号描述反应物、产物和条件，把视觉语言模型不擅长的坐标预测转化为更自然的结构化描述。在此基础上，团队又提出 RxnID 反应图解析方法，优先利用论文中原有的 1a、2b 等分子编号理解反应关系，既避免额外方框和新编号改变原始图像，也让解析结果能够直接对应论文中的分子指代。与此同时，RxnID 引入反应级别可验证奖励函数，直接检查整条反应中各分子的角色和关系是否正确，而不是只判断模型是否生成了某种固定顺序的文字。

由此，MinerU.Chem 形成了一条从真实文献到结构化化学数据的完整链路：先在真实难例中识别并忠实记录单个分子，再恢复分子之间的反应角色和路径，最后输出可与原图逐项对照的结构化结果。它追求的不只是“给出一个答案”，而是让答案有图可查、有关系可追、有结果可核验，从而真正用于人工复核、数据库建设和下游模型训练。

图为 MinerU.Chem 整体工作流。来源：MinerU.Chem 技术报告。系统在通用文档解析基础上组织分子结构图检测、分子指代符提取、分子结构识别和反应路径图解析。

04 在统一评测中达到国际领先水平

在MolRecBench-Wild的SMILES可评测子集上，MinerU.Chem在线平台部署的GTR-VL-1.4.13模型，SMILES精确匹配率达到93.02%；在完整图结构评测口径下，Graph准确率达到79.66%，在本技术报告实际参与比较的系统中排名第一。

MolRecBench-Wild 评测结果。来源：MinerU.Chem 技术报告；采用论文结果表截图。Full 表示完整评测集，A、B、C 表示三个难度子集，数值为百分比。

在相同评测口径下，GPT-5.6-Sol 的 SMILES 精确匹配率为 74.87%，MinerU.Chem 高出 18.15 个百分点；同时也超过了本技术报告表格中列出的 Gemini、Claude 等通用多模态模型、专用 OCSR 系统及商业化学 OCR 服务。

客观地说，上述结果并不意味着 MinerU.Chem 在所有化学视觉任务中都优于其他行业领先的大模型，但至少说明：面对真实论文中的复杂分子结构，面向化学场景进行专门设计的数据、表示方法和模型体系，MinerU.Chem 已经能够取得显著领先于通用模型的识别效果。

05 MinerU.Chem，让沉睡在文献里的化学知识真正驱动 AI4S

基于 MinerU 的通用文档解析能力，MinerU.Chem 进一步把解析对象从文字、公式和版面推进到分子结构、反应关系和实验条件，并在这一过程中沉淀图像、文本与化学结构相互对应的多模态对齐语料，为基础模型能力提升提供数据支持。

图为 MinerU.Chem 网页端使用效果。

MinerU.Chem 更核心的价值，在于为 AI4S 构建可持续的数据底座。AI4S 的发展不仅依赖模型和算法突破，也取决于能否持续获得规模化、高质量、可计算的科学数据。长期以来，大量化学知识沉淀在论文和专利中，分子结构、反应关系和实验条件分散在正文与图像之间，机器难以直接利用；依靠人工整理则成本高、周期长，也难以覆盖快速增长的文献规模。MinerU.Chem 通过自动解析，能够将这些知识持续转化为结构化、可追溯、可核验的数据，并进一步沉淀为反应数据库、分子—性质数据集和领域知识库，为反应预测、逆合成、条件推荐、新分子发现以及化学智能体提供训练数据和知识支撑。它由此打通“科学文献—结构化数据—模型训练与推理—科学发现”的链路，使存量文献从静态资料完全可以转变为能够持续服务 AI4S 的数据资产。

后续 MinerU.Chem 将接入「书生·端砚」科学发现平台，发挥化学文献结构化解析的数据解析作用，将论文和专利中的分子结构、反应关系与实验条件转化为可计算、可追溯的高质量科研数据，为平台进一步贯通数据、模型、工具与算力，完善化学领域的端到端科研链路提供有力支撑。依托「书生·端砚」的全栈科研能力，MinerU.Chem 也将更好融入平台任务，在化学知识挖掘、复杂反应理解和数据资产沉淀等环节形成协同，助力平台持续拓展化学及相关领域的科研服务能力，推动 AI4S 迈向复杂科研任务的高阶智能。

我们期待与化学、药学、新材料等领域的领军科研团队和产业伙伴携手，围绕科学文献智能解析、高质量数据建设与化学知识挖掘开展联合探索，推动相关成果在科学发现和药物研发等真实场景中持续验证、迭代与应用，共同释放海量化学知识的价值。