MinerU 作为火出圈的 OCR 领域 SOTA 模型，它的成长之路上也少不了 “数据烦恼”——训练数据质量参差、模型解析结果偶有缺陷……
那么，MinerU 是如何一步步突破瓶颈、提升精度的呢？
答案就在它背后的 “数据守护者”：Dingo。
Dingo 是一款数据质量评估工具，能够自动检测数据集中的质量问题。它内置多种评估规则与模型评估方法，同时支持自定义扩展，适用于文本与多模态数据集，覆盖预训练、微调到评测等不同阶段。
今天我们就来揭秘 Dingo 在 MinerU 生产流程中，如何化身 “数据侦探”，覆盖全面的 OCR 问题指标，助力模型持续进化！👀
Dingo 开源仓库：
https://github.com/MigoXLab/dingo
全面的 OCR 问题指标体系
首先，让我们通过下表直观了解 Dingo 所覆盖的多维度 OCR 问题指标体系，为模型质检与优化提供了系统化的参考标准：
从 layout 结构错误、识别精度偏差到公式与表格解析异常，Dingo 的规则库实现了对 OCR 全链路问题的精细化覆盖。不同类型的检测规则（如 PromptLayoutQuality、PromptMinerURecognizeQuality 等）可灵活组合应用，为模型提供可追溯、可量化的质量诊断依据。
Dingo 的工作流：如何筛查问题
了解了这些指标后，我们来看看 Dingo 是如何在实际研发中进行问题筛查的。如果你也是 OCR 模型的开发者，下图的 Dingo 质检 OCR 工具的流程图将非常直观：
Dingo 如何深度融入研发流程
如上图所示，我们将 Dingo 深度整合到了模型研发的全流程中，具体体现在以下几个关键环节：
1. 数据质检：利用 Dingo 对原始训练数据进行初步筛查。
2. 标注复核：在微调数据生产环节，通过 Dingo 对人工标注结果进行自动化检查，确保数据质量。
3. 模型诊断：模型训练完成后，除使用 OmniDocBench 进行量化评分外，我们会运用 Dingo 对模型输出进行问题分类与定位，并辅以人工核查，完成系统性 “体检”。
4. 迭代驱动：在模型分析阶段发现的所有问题，都将被汇总为具体的产品需求，直接指导下一版本的模型迭代。那么，在训练/微调数据质检和模型质检分析中，Dingo 具体是依赖哪些规则来诊断的呢？详细解读如下。
环节一：训练/微调数据质检
在模型微调数据生产阶段，Dingo 就提前介入，对人工标注数据进行多维度质量检查，快速定位标注错误，确保数据 “干净可用”。我们检查的质检规则包括：
1. Layout 检测遗漏：在基于检测的两阶段模型中，若页面中的元素未被检测出，将直接导致该部分内容从识别结果中丢掉。
- Layout 检测不准：检测框出现冗余、不完整或相互重叠等问题，会进一步导致 OCR 输出内容中出现文本分段错误、信息缺失或重复输出。
- 识别粒度错乱：当表格被识别为普通文本、公式被误判为图片，或正文内容被错误归类为页眉/页脚时，将引发结构理解错误，具体表现为表格失去行列结构、公式无法以符号形式识别，以及正文被错误过滤或忽略。
- 阅读顺序错位：若 Layout 分析所输出的区域逻辑顺序错误，将直接导致 OCR 识别出的文本内容在顺序上混乱，严重影响后续解析语料在 RAG/大模型训练场景应用数据的流畅性。
错误标签：检测遗漏错误模型输出：
{
"error_id": 1,
"error_type": "检测遗漏错误",
"error_location": "页面上有两处明显的检测遗漏：1. 页面右上角的页眉 '英文缩略语' 未被检测。 2. 页面右下角的页码 '435' 未被检测。",
"suggestion": "应为页眉添加新的边界框并标记为 'header'，为页码添加新的边界框并标记为 'page_number'。"
}
示例截图：
环节二：模型评测与问题定位
模型训练完成后，通过权威评测集 OmniDocBench（https://github.com/opendatalab/OmniDocBench）对模型进行量化评估，精准对比版本间差异与业界表现。更重要的是，Dingo 会进一步对模型输出进行深度 “体检”，从检测与识别两大维度定位问题症结：
维度一：文档检测类问题→ PromptLayoutQuality
文档检测类问题不仅会出现在训练数据中，也会出现在模型预测结果中，我们的输入基于带类别和阅读顺序的 layout 检测框，针对以下问题判断：
- Layout 检测遗漏 → 页面上的元素漏检
- Layout 检测不准 → 框体冗余/不完整/重叠
- 识别粒度混淆 → 表格/公式/图片/正文类别相互误判
- 阅读顺序异常 → 阅读顺序混乱，导致解析的结果不流畅
错误标签：阅读顺序错误模型输出
{
"error_id": 1,
"error_type": "阅读顺序错误",
"error_location": "模型输出的元素ID顺序不符合自然的阅读习惯。当前的ID顺序为...元素2(页眉网址) -> 元素3(左侧边栏) -> 元素4(页眉标题)...。这个顺序在读取页眉中间插入了边栏内容，打断了对页眉区域的连续阅读。",
"suggestion": "应调整ID顺序，使得同属于页眉的元素1、2、4在序列中是连续的，例如将顺序调整为...1, 2, 4, 3...，即先完成页眉区域的阅读，再阅读边栏和正文。"
}
示例截图：
维度二：识别与格式类问题→ PromptMinerURecognizeQuality
基于 OmniDocBench 分析 Badcase，我们可以采样标注的 GT 来作为参考对预测结果的错误分类，具体错误如下：
- 公式识别：字符错误、内容重复
- 表格问题：格式错乱、结构错误、内容错误、重复输出
- 段落问题：段落异常粘连或拆分
- 列表与标题：列表项合并异常、标题格式丢失、分级错误
- OCR 识别：字符识别错误
错误标签：标题相关问题 - 标题格式丢失, 表格识别相关问题 - 表格内容错误 Dingo：
{
"data_id": "page-138026c8-3c0e-4d98-a389-f009a550ce1f",
"prompt": "# 树立远大理想 筑梦美好未来\n\n<table border=\"1\"><tr><td>我的人生理想</td><td>①____▲____</td></tr><tr><td>我的行动计划</td><td>②____▲____</td></tr></table>\n\n答案略。（根据自身实际情况回答，符合题意即可）\n\n",
"content": "树立远大理想 筑梦美好未来\n\n<table><tr><td>我的人生理想</td><td>①▲</td></tr><tr><td>我的行动计划</td><td>②▲</td></tr></table>\n\n答案略。（根据自身实际情况回答，符合题意即可）",
"error_status": false,
"type_list": [ "表格识别相关问题", "标题相关问题" ],
"name_list": [ "标题相关问题-标题格式丢失", "表格识别相关问题-表格内容错误" ],
"reason_list": [ "{\n\"errors\": [\n {\n \"bbox_id\": \"1\",\n \"bbox_type\": \"text\",\n \"error_category\": \"标题相关问题\",\n \"error_label\": \"标题格式丢失\"\n },\n {\n \"bbox_id\": \"2\",\n \"bbox_type\": \"table\",\n \"error_category\": \"表格识别相关问题\",\n \"error_label\": \"表格内容错误\"\n }\n]\n}" ],
"raw_data": { }
}
示例截图：
从训练数据准备到模型迭代，Dingo 是 MinerU 的 “质量守护者”。
当前的质检规则与标签体系还有持续进化的空间，为了打造更精准的 OCR 质检体系, 诚邀社区贡献者携手共建，共同优化质检规则、完善 Prompt 与标签体系，让 OCR 模型的 “火眼金睛” 更锐利。
小提示：建议基于 Gemini 2.5-Pro 构建质检模型，以获得更高的识别准确率。