MinerU 2.5技术揭秘：复杂版式PDF的语义理解实现原理
2026/1/15 0:27:09
SCAN是一种受人类认知模式启发的视觉语言模型增强方法，模拟人类"系统1"快速决策和"系统2"精细思考的双系统协作。该方法无需额外训练，不依赖标注数据或参考样本，可在推理阶段即插即用。通过结合VLM的候选筛选能力和基于关键区分属性的推理分析，SCAN显著提升了VLM在细粒度识别任务上的性能，实验表明平均准确率可提升10%以上，为提升现有模型推理能力提供了新思路。
以 CLIP 为代表的视觉语言模型（VLM）在大规模图文数据上进行了预训练，具备强大的通用视觉识别能力。然而，在细粒度识别任务上，VLM 往往难以区分相近类别之间的细微差异，识别能力显著下降。
以 CLIP ViT-B/16 为例，在仅包含 10 个粗粒度类别的 CIFAR10 数据集上，其识别准确率可达到 90%；但在包含 200 个细粒度鸟类类别的 CUB 数据集上，准确率却只有约 50%。
为了提升 VLM 的细粒度识别能力，现有方法通常采用如下方式：i）引入可训练模块（Adapter/Prompt Tuning），并利用少量标注样本进行微调；ii）或是依赖参考样本构建类别原型缓存，通过检索原型信息辅助 VLM 进行识别。
虽然这些方法能够带来一定的性能提升，但对标注数据或参考样本的依赖在一定程度上削弱了 VLM 的通用性。
针对这一问题，在 AAAI 2026 的论文中，来自四川大学、南洋理工大学的研究团队受到人类认知模式的启发，提出了 SCAN（System-2 enhanced visual recognition），一种无需训练、不依赖标注数据或是参考样本、在推理时即插即用的 VLM 增强方法。
论文标题：
Endowing Vision-Language Models with System 2 Thinking for Fine-Grained Visual Recognition
论文链接：
https://pengxi.me/wp-content/uploads/2025/11/SCAN.pdf
代码链接：
https://github.com/XLearning-SCU/2026-AAAI-SCAN
研究背景
赋予 VLM 精细思考的能力
试想一下，如果需要从 200 种鸟类中判断一张图像所属的具体类别，人类会怎么做？
对于这类复杂的识别任务，人类通常难以直接做出精确判断，而是会经历一个从“粗步筛查”到“仔细辨别”的分析过程。
从认知科学的角度来看，这一分析过程依赖两个互补的认知系统，即快速决策的“系统 1” 和精细思考的“系统 2”。
💡 系统 1（快思考）：一种直觉驱动的思维模式，依赖经验进行快速决策，响应迅速但容易受偏差影响。例如，在看到上图中的鸟后，大脑会立即形成“这是一只黑色的鸟”的初步判断，并迅速排除外观明显不符的类别，将候选范围限定在“黑色鸟类”相关的若干类别中。
本文实验发现，VLM 具备类似系统 1 的快速决策能力。
如下图所示，尽管 VLM 在细粒度识别任务上的 Top-1 准确率不高，和人类一样难以直接做出精确判断，但其 Top-20 候选集中往往极大概率包含正确类别，即 VLM 能够通过快速决策稳定地筛选出合理的候选类别集合。
🧠 系统 2（慢思考）：一种分析驱动的思维模式，依赖精细思考处理复杂任务，决策更精确但耗时较长。
为了进一步确定具体类别，人类通常会查阅相关知识，获取候选类别的区分性特征，如羽毛纹路、头部颜色等，与图像中观察到的特征进行对比分析，并基于特征匹配程度推理出最终结果。
既然 VLM 天然具备类似系统 1 的快速决策能力，那能否通过增加一个具备精细分析能力的系统 2，模拟人类双系统协作的认知方式，来提升 VLM 的细粒度感知能力？
受此启发，论文提出了 SCAN（System-2 enhanCed visuAl recogNition），一个即插即用的测试时增强模块，在无需训练的前提下增强 VLM 的细粒度识别能力。
方法
SCAN 的核心思想是在不改变原有 VLM 的前提下，引入一个具备“系统 2” 慢思考能力的模块进行细致分析，从而提升 VLM 的细粒度识别能力。整体流程如下图所示。
（1）系统 1：基于 VLM 进行候选筛选
利用 VLM 在预训练阶段获得的通用识别能力，从所有类别中，排除与识别目标存在显著外观差异的类别，为后续推理提供合理的候选集合。
（2）系统 2：基于关键区分属性进行推理
为了进一步确定具体类别，人类通常会查阅相关知识，获取候选类别的区分性特征，并与图像中观察到的特征进行对比分析。
受此启发，论文中提出的系统 2 主要包含以下三个步骤。
推理关键区分属性：利用大语言模型（LLM）中内蕴的专业知识，自动生成一组能够区分候选类别的关键属性，如翅膀花纹，鸟喙形状等。
获取文本描述：类别名中蕴含的信息有限，利用 LLM 可以获得每个类别在特定属性下的外观描述，从而显式地表明细粒度类别之间的外观差异。此外，通过可视化 VLM 的注意力分布，发现在多模态信息处理的过程中，模型容易受到背景中无关纹理的干扰。
因此，对于待识别的图像，同样利用 LMM 基于特定属性进行描述，仅保留与类别区分相关的细节信息，过滤掉背景等无关因素。最终，如下图所示，获得了基于同一组区分属性的类别描述和图像描述。
文本空间下的分析推理：使用文本重排序模型将图像描述与候选集合中的类别描述进行比较推理，获得相似度分数。
（3）基于不确定度的系统 1&2 协同识别
通过系统 1 和系统 2 分别获得了快速决策和精细推理的相似度分数，核心问题在于如何确定二者的融合权重。
由于 VLM 对不同目标的识别能力存在差异，采用固定权重难以取得普遍最优的识别结果，更为理想的方式是能够根据 VLM 的预测结果进行动态调整。
现有方法基于证据理论，将模型为每个类别输出的 logit 视为“证据”，在预测类别的同时显式给出模型对预测结果的不确定度。但如下图（a）所示，在细粒度任务上，这种建模方式的区分能力有限。
在细粒度场景下，本文观察到：当不存在大量干扰类别时，VLM 往往能自信地给出预测，此时 Top-1 类别的相似度显著高于其余候选，即 Top1 与其他类别之间的相似度差值较大。
反之，当存在大量外观相近的干扰类别时，相似类别之间的相似度分数较为接近，Top1 与其他类别之间的相似度差值较小。
因此研究团队提出以 Top-1 与其余候选之间的相似度差值作为“证据”，设计了一种新的不确定度建模方法。如下图（c）所示，这种不确定度建模方式，在细粒度识别任务中，能够更清晰地区分预测正确与预测错误的情况。
实验
在 Flowers-102、CUB-200、Food-101 等八个细粒度数据集上，SCAN 能够在无需标注数据、无需参考样本、无需额外训练的前提下，显著地提升 VLM 的细粒度识别能力。
- 将 CLIP RN50 作为基座模型，引入 SCAN 能使平均识别准确率提升 15.70%（56.22%→71.92%）。
- 将 CLIP ViT-B/16 作为基座模型，引入 SCAN 能使平均识别准确率提升 10.53%（63.74%→74.27%）。
对于在更大规模数据上训练的 SigLIP 上，引入 SCAN 仍然能使平均识别准确率提升 3.35%，表明了 SCAN 作为一种即插即用方法的通用能力。
此外，对于在海量的生物数据上进行了针对性训练的 BioCLIP，它在 CUB 等生物数据集上识别能力远超 CLIP，SigLIP，达到了 78.48%。
在引入 SCAN 后，识别准确率仍能能提升至 79.13%（+0.65%），表明即使是经过精细训练的面向垂直领域的 VLM，仍然能通过 SCAN 提升推理时的识别能力。
进一步地，本文还与当前主流的多模态大模型进行对比。从下表中结果可以看出，即便是经过大量细粒度数据进行训练的 Qwen2.5-VL 仍劣于本文方法（SCAN）。
换言之，除了通过不断增大模型规模和训练数据量及多样性以期持续提升性能，在推理阶段中直接增强基础模型的能力亦不失为一种可行的方案。
总结
针对 VLM 在细粒度识别任务上的能力瓶颈，研究团队受到人类“系统 1 & 系统 2” 认知模式的启发，将 VLM 类比为快速决策的系统 1，通过引入一个具备精细思考能力的系统 2 来提升 VLM 的细粒度识别能力。
总体而言，SCAN 无需额外训练，也不依赖标注数据和参考样本，在推理阶段即插即用，即可为多类 VLM 带来性能提升。
相关实验结果不仅证明了 SCAN 的有效性和通用性，也表明在细粒度识别等具有挑战性的视觉任务中，除了通过扩大数据量和参数量构建更强大的预训练模型之外，同样有必要探索如何提升现有模型在推理时的能力。
如何系统的学习大模型 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。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
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人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
01.大模型风口已至：月薪30K+的AI岗正在批量诞生
2025年大模型应用呈现爆发式增长，根据工信部最新数据：
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K（数据来源：BOSS直聘报告）
70%企业存在"能用模型不会调优"的痛点
真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！
02.大模型 AI 学习和面试资料
1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。