白山市网站建设_网站建设公司_数据备份_seo优化

网页数据是大模型预训练的核心来源（如Common Crawl），但需先将HTML转换为结构化文本。现有工具（Trafilatura、Resiliparse）依赖启发式规则（如文本密度、DOM树遍历规则），导致代码块、公式、表格等结构化元素丢失或损坏，进而影响大模型预训练效果。（工具未开源，仅看思路。）

方法：MinerU-HTML pipline

如上图，如果不依赖规则，那就设计一套语义感知的两阶段提取管道，将“HTML提取”从“固定预处理步骤”转化为为“语义理解任务”。整体流程为：原始HTML → 第一阶段（Main-HTML提取）→ 第二阶段（文档格式化）→ Markdown。

下面具体看下两个阶段：

1. 第一阶段：Main-HTML提取（核心是“语义化筛选主内容”）

目标是从原始HTML中剥离冗余（广告、导航栏），保留主内容及完整结构。

（1）三步骤流程（单文档处理）

• 预处理：生成双路HTML原始HTML包含大量渲染无关标记（如<style>、<script>），直接输入模型会导致token爆炸。因此设计双路转换：

• 简化HTML（Simplified HTML）：移除非内容标签、保留关键属性（class/id）、按语义块分割（表格、列表视为原子块）、截断超长块，大幅减少模型输入token；
• 映射HTML（Mapping HTML）：仅保留块级分割，不修改原始结构，用于后续忠实重建主内容。 双轨设计既降低了模型计算负担，又避免了结构信息丢失。

• 内容分类：序列标注+约束解码

  摒弃启发式规则，将“主内容筛选”转化为序列标注任务：将简化HTML的每个语义块标注为“main（主内容）”或“other（冗余）”。使用0.6B参数的Qwen3-0.6B（32K上下文窗口，支持100+语言），兼顾轻量性与语义理解能力；约束解码：通过确定性有限状态机（FSM）控制输出格式（JSON-like），仅允许“main/other”二选一，完全避免模型幻觉（生成不存在的内容）或格式错误。

• 后处理：重建Main-HTML：将标注结果映射回“映射HTML”，剔除“other”块，保留的“main”块组成完整的DOM子树（Main-HTML），确保输出结构合法、内容忠实于原始文档。

（2）扩大规模

单文档模型推理成本高，无法直接应用于Common Crawl（数百亿文档）。论文利用“网页结构的规律性”（同一子域名的页面多来自相同模板），设计模板感知优化策略：

1. 按子域名聚类，确保同集群页面结构相似；
2. 每个集群选1个结构最丰富的页面，用完整模型管道处理；
3. 将模型对该页面的标注结果，转化为可解释的XPath/CSS规则；

2. 第二阶段：文档格式化

Main-HTML仍是渲染导向的标记语言，需转换为LLM友好的Markdown格式。设计“中间表示+类型专用规则”的两阶段转换：

（1）第一步：HTML→结构化内容列表（JSON）

将Main-HTML解析为JSON格式的“内容列表”，明确标注每个元素的语义类型（标题、段落、代码块、公式、表格等），并存储专属属性（如标题层级、代码语言、公式类型）。例如：

{ "type": "code", "content": {"code_content": "...", "language": "Python"}}

（2）第二步：内容列表→Markdown

针对每种语义类型设计专用转换规则，确保格式保真：

• 代码块：保留缩进、语法标记，用```包裹；
• 公式：区分行内（$...$）与块级（$$...$$），保留LaTeX/MathML完整语法；
• 表格：简单表格直接转Markdown格式，复杂表格（合并单元格、嵌套）保留HTML结构以避免信息丢失；
• 标题/列表：严格遵循Markdown层级（#数量对应标题级别，-/*对应列表）。

MinerU-HTML 的迭代优化路径

通过收集更多训练数据（包括失败案例），在扩展的数据集上重新训练，并利用基础模型能力的提升，可以系统性地改进基于模型的提取器。随着语言模型持续进步，这一方法具有天然的可扩展性和未来适应性。

评估

参考文献：https://arxiv.org/pdf/2511.16397v1，AICC: Parse HTML Finer, Make Models Better —— A 7.3T AI-Ready Corpus Built by a Model-Based HTML Parser

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2025 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？