Uni-Parser v1.4.0
返回全部版本动态
v1.4.0 · RELEASE

让科学文献成为可计算的数据:Uni-Parser 1.4 正式发布

Turning Scientific Documents into Computable Data: Uni-Parser 1.4

从多模态解析、结构化结果到在线检查与开发者工具,Uni-Parser 1.4 让科学文献处理更完整、更易接入。

Uni-Parser 1.4:化学文献与专利解析能力全面跃升

今天,我们正式发布 Uni-Parser 1.4

这是 Uni-Parser 面向科学文献与专利解析的一次重要升级。在化学文献与专利解析的精度与吞吐能力上,我们都实现了大幅提升,同时进一步增强了对复杂科学文档结构、多模态内容和化学信息的理解与提取能力。

Uni-Parser 不只是把 PDF 转成文本,更重要的是尽可能恢复文档原有的结构与关系:图表对应哪段图注,公式如何与编号配对,分子结构对应哪个标识符,反应路线又如何与上下文关联。在 Uni-Parser 1.4 中,我们继续围绕三件事推进:更准确地理解复杂科学版面和多模态内容,更完整地提取化学信息,更高效地将解析能力接入真实的数据与 Agent 工作流。

  • 精度提升:全面优化复杂版面、多模态内容与化学信息解析,显著提升文本、公式、表格、图表及化学结构的识别与关联准确率。

  • 吞吐提升:针对大规模科学文献与专利解析进行系统优化,在更低资源开销下实现更高吞吐,更适合百万乃至千万级文档处理。

  • 结构理解:统一解析文本、公式、表格、图表、图片、化学反应式和分子结构,并通过 group / pages_tree 保留跨模态关联。

  • 化学解析:从分子区域定位、分子—编号关联,到 SMILES / E-SMILES 与 Markush 标记,让化学信息不再停留在图片中。

  • 开发者接入:在线 Demo、API、Python SDK(Uni-Parser Tools)、CLI、Agent Skill 与 MCP Server 均可按不同工作方式接入。

Uni-Parser 1.4 已上线 在线体验,并可搭配开源工具箱 UniParser-Tools 进行Python调用使用。

文档解析能力全面跃升

Uni-Parser 1.4 文档解析能力评测

Uni-Parser 1.4 在通用文档与化学专业解析上实现同步提升:

  • 通用的文档解析能力评测,Uni-Parser-G 1.4(通用模式) 在 OmniDocBench 1.5 上获得 95.24 的综合得分,位于第一梯队水平

  • 化学文档解析能力的评测,Uni-Parser 1.4 在 BioVista 上,化学结构定位mAP@50达到 0.981 ,结构识别综合准确率达到 0.845,均达到SOTA

从多语言科学文献到复杂化学专利,Uni-Parser 正在把“页面上看得见的内容”转化为可检索、可计算、可供 RAG、Agent 与 AI4Science 直接使用的结构化数据。

此外,PDF 解析能力现已更充分的覆盖 100+ 种语言,对于小语种也能够完整保留并识别页面中的文字、公式、化学结构、图片与复杂版式。

Uni-Parser 多语言与多模态解析示例

Uni-Parser 1.4 中,我们也全面开放了化学反应、Chart、谱图及图像解析能力,进一步将科学文档中的视觉信息转化为可直接使用的结构化数据:

化学反应图像:自动解析并拆解为 反应物–反应条件–产物三元组
化学反应原图 化学反应解析结果
Chart 与谱图:从图表中恢复底层数据,转换为结构化数据表
Chart 原图 Chart 解析结果
段落中的分子结构:识别分子结构,并保留其与上下文的对应关系
包含分子结构的段落原图 包含分子结构的段落解析结果
表格中的分子结构:恢复表格的行列结构及其中的分子信息
包含分子结构的表格原图 包含分子结构的表格解析结果

让科学文献中的图、表、谱图和化学信息,不再只是“图片”,而是能够被理解、检索、计算和进一步处理的数据

面向规模化任务的吞吐提升

解析精度决定单份结果是否可用,吞吐能力则决定解析系统能否真正进入规模化数据生产。面对数十万乃至更大规模的论文与专利集合,仅提升单个模型的推理速度并不够,还需要让文档预处理、语义识别、结果聚合与服务调度形成高效协同的流水线。

Uni-Parser 1.4 service throughput benchmark

本次吞吐测试在配备 24 GB GPU 显存的环境下以单服务、多进程方式进行,使用 256 张不同的真实图片,并分别采用 4 路和 8 路并发请求。测试结果显示,Uni-Parser 1.4 已能够在文本、表格、公式、图表、图片和分子等不同解析模块之间建立稳定的并行处理能力:

  • 通用内容解析:Fast 模式下,文本解析达到 93.72 img/s,表格解析达到 20.67 img/s;High Quality 模式下,公式、图表和图片解析分别达到 30.62 img/s、3.88 img/s 和 2.55 img/s

  • 化学信息解析:分子 Fast 模式达到 62.53 img/s,分子与表达式模块在参考优化对比中均获得约 1.63 倍吞吐提升,分子区域检测模块提升约 1.27 倍

  • 端到端并行扩展:在检测配置下,整体吞吐从单进程的 2.461 file/s 提升至双进程的 4.738 file/s、三进程的 7.054 file/s,并在四进程时达到 9.024 file/s,约为单进程的 3.67 倍

这组结果不仅来自单点模型加速,也来自异步调度、多进程并行和不同语义服务之间的协同。不同解析模块可以根据实际负载独立扩容,使 CPU 预处理、GPU 推理、服务传输和结果聚合尽可能重叠执行,从而减少硬件等待,让有限计算资源持续处理有效任务。

吞吐数据用于展示特定测试配置下的处理能力,并不构成固定性能承诺。实际速度仍会受到页面尺寸、内容密度、解析模式、并发规模、硬件环境和服务部署方式影响;在生产场景中,应使用具有代表性的业务数据完成容量测试与配置评估。

化学信息提取:让分子真正进入数据链路

MolParser 2.0 preview 化学结构识别评测

Uni-Parser 1.4 中,我们带来了全新的 OCSR(化学结构识别)模型: MolParser-2.0-preview

MolParser-2.0-preview 在多个核心基准上均取得当前最佳成绩:在 Uni-Parser Bench 上达到 90.3%,在 WildMol-10k 上达到 80.2%,在 BioVista 上达到 84.5%,在 USPTO 上达到 94.0%,全面超过此前版本及其他主流 OCSR 方法。

从规则版面到复杂科学文献,从分子结构到生物医学图像,Uni-Parser 1.4 正在进一步提升科学文档解析的准确性与可靠性。

此外,在化学文献与专利中,最有价值的信息往往不是文本本身,而是嵌在图片里的分子结构、Markush 表达和反应路线。仅仅裁出这些区域还不够;要让它们进入分子库、结构检索和数据分析,还需要把图像继续转换为机器可处理的结构表达,并保留其与原文编号和上下文的联系。

这意味着,一份专利中的化学信息可以从“页面上的一张图”继续流向:

  • 专利分子库与反应库构建;

  • 子结构、相似性与现有技术检索;

  • 化合物—化合物编号—上下文联合索引;

  • 面向 AI4Science 模型的数据生产与质检。

而 Uni-Parser 正是为结构化数据抽取设计,可用于大规模化学结构、化学反应数据库的抽取和构建。

不止于 Markdown:同一份文档,面向不同下游任务输出

解析的终点不是一份“看起来正确”的文本,而是让数据能够进入下一步工作。

Uni-Parser 提供四个层次的结果:

  • content:格式化全文,适合阅读、搜索、RAG 与 LLM 输入;

  • objects:包含类型、置信度、坐标与页码的扁平语义块;

  • pages_dict:按页面组织的版面结果;

  • pages_tree:保留父子层级与语义分组的树形结构。

不同元素还可以选择不同输出格式:正文使用 Markdown,表格使用 HTML,公式使用 LaTeX,图表或分子区域保留原始图像。对下游系统而言,同一次解析既可以生成便于阅读的全文,也可以提供用于切图、配对、抽取、质检和数据库构建的精细结构。

从一篇论文,到规模化文献数据工程

真实的科学数据工程面对的通常不是一篇论文,而是数万、数百万甚至更大规模的文献集合。解析能力要进入生产环境,除了准确率,还要考虑吞吐、资源利用率、稳定性、失败恢复与扩展成本。

Uni-Parser 将版面分析后的任务送入不同语义队列,并通过异步调度、动态负载均衡与流水线并行,让 CPU 预处理、GPU 推理、服务间传输和结果聚合尽可能重叠执行。不同解析模块可以独立扩容或更新,以适应真实业务中不断变化的文档类型与流量。

对于应用集成,API 支持异步回调;CLI 会保存任务 token 与结构化结果,任务中断后可以继续获取;开发者也可以通过 SDK、Agent Skill 或 MCP Server,把文档解析嵌入现有科研与 Agent 工作流。

开始使用 Uni-Parser 1.4

Uni-Parser 1.4 已通过在线产品与 API 提供服务。开发者也可以使用 UniParser-Tools (推荐),把解析能力接入脚本、批处理、notebook 与 Agent 应用。

在线体验

访问 Uni-Parser 在线 Demo,上传 PDF、图片或提交公网可访问的 PDF 链接,即可查看格式化全文与页面级解析结果。

首次登录会自动获得试用额度。API 按解析成功的页数固定扣减试用额度,每页扣减 0.05 试用额度,不区分解析内容,不进行其他附加计算;解析失败或超时不扣减。

CLI:一条命令解析论文

pip install "git+https://github.com/dptech-corp/UniParser-Tools.git"
uniparser auth
uniparser parse paper.pdf

解析完成后,可以获得完整 Markdown、pages_tree.json 与任务元数据。任务中断或需要重新获取结果时,可使用保存的 token:

uniparser fetch --token "TASK_TOKEN"

Python SDK:接入数据工作流

import os

from uniparser_tools.api.clients import UniParserClient
from uniparser_tools.common.constant import FormatFlag, ParseMode, ParseModeTextual

parser = UniParserClient(
    host="https://uniparser.dp.tech/",
    api_key=os.environ["UNIPARSER_API_KEY"],
)

task = parser.trigger_file(
    file_path="paper.pdf",
    textual=ParseModeTextual.OCRHighQuality,
    equation=ParseMode.OCRHighQuality,
    table=ParseMode.OCRHighQuality,
    molecule=ParseMode.OCRFast,
)

result = parser.get_formatted(
    task["token"],
    content=True,
    textual=FormatFlag.Markdown,
    table=FormatFlag.Markdown,
    equation=FormatFlag.Markdown,
)

print(result["content"])

Agent Skill 与 MCP

UniParser-Tools 提供可安装的 Agent Skill:

npx skills add dptech-corp/UniParser-Tools

安装并配置 API Key 后,可以直接向支持 Skill 的编程助手提出“解析这个 PDF”“提取论文表格”或“将 PDF 转为 Markdown”等请求。

对于采用 Model Context Protocol 的应用,独立的 MCP Server 可以把工具调用转发到 Uni-Parser HTTP API,使科学文档解析成为 Agent 工作流中的标准能力。

AI 与生产资料的结合,才是 AI 真正转化为生产力的开始。

今天,大量科学知识和科学家的探索积累仍沉睡在 PDF、扫描件和图片中。估算,超过 90% 的生产资料尚以非结构化形态存在,构成了一个庞大的“暗数据”宇宙。对 AI 而言,无法被准确读取、关联和计算的数据,几乎等同于不存在的数据。

Uni-Parser 正是为此而生:跨越论文、专利、报告与技术资料等不同场景,将 PDF、图片等非结构化内容转化为统一的 Markdown、JSON 等标准结构化数据。我们的目标,面向大批量科学文献解析任务的高吞吐能力,让数据在进入大模型训练、RAG、知识抽取和 Agent 之前,先成为准确、完整、可追溯的机器可用资产。围绕 "快速、准确、安全、可靠" 四项核心要求Uni-Parser 支持大批量文档解析,并可根据业务需求提供 SaaS 在线服务、API 调用私有化部署等交付方式,

对于 AI4Science,这不仅是一次文档解析能力的升级,更是在打通一条从科学资料到科学数据、再到模型与智能体的生产链路。当论文、专利和实验资料中的结构、关系与专业语义被保留下来,它们才能真正进入检索、数据库、模型训练与科研 Agent,成为可以持续流动和复用的生产资料。

我们期待与科研机构、开发者和产业伙伴一起,让更多科学知识走出“暗数据”宇宙——从可阅读走向可检索、可计算,最终成为推动科学发现与产业创新的新生产力。

从在线服务到私有化部署,让解析能力真正进入企业生产环境

本服务支持私有化部署,私有化部署请联系 uniparser@dp.tech。

针对 PDF 高并发抽取、中英文解析和表格解析等生产场景,可参考以下服务器配置:

推荐配置

  • CPU:不少于 96 逻辑核;

  • GPU:不少于 8 张 GPU 加速卡,单卡显存不少于 24 GB;

  • 内存:不少于 1 TB(16 × 64 GB);

  • 存储:不少于 2 × 960 GB SSD + 2 × 3.84 TB SSD;

  • 网络:不少于 2 × 25 Gbps。