企业官网建设流程全解析

MinerU.Chem: A High-Precision System for Optical Chemical Structure and Reaction Recognition

Abstract：摘要想表达什么

这篇论文介绍了MinerU.Chem，一个面向有机化学论文和专利的高精度文档解析系统。

它要解决的核心问题是：

有机化学文献中的大量关键信息不是普通文字，而是嵌在分子结构图、反应路线图、表格和图片中；通用文档解析系统通常无法理解这些图像中的化学含义。

1. 为什么普通文档解析不够用

有机化学论文里经常包含：

• 分子结构式；
• 反应路线；
• 反应物和产物；
• 反应条件；
• 化合物编号；
• 复杂的图表和示意图。

这些内容对化学家来说非常重要，但普通 PDF 或 Markdown 解析工具通常只会把它们当成图片，无法识别：

• 原子之间如何连接；
• 哪些分子是反应物；
• 哪些分子是产物；
• 反应条件是什么；
• 分子结构在原图中的位置；
• 化学结构中包含的立体化学、重复单元或特殊键。

因此，许多有机化学知识无法自动转成机器可读的数据。

2. MinerU.Chem 的目标

MinerU.Chem 是建立在 MinerU 通用文档解析系统之上的化学专用扩展。

MinerU 负责先把论文转换为：

• Markdown；
• JSON；
• 页面布局；
• 文本；
• 公式；
• 表格；
• 图片区域。

MinerU.Chem 再对其中与化学相关的图像区域进行进一步分析，把它们转换成结构化的化学信息。

3. 系统包含五个化学模块

MinerU.Chem 主要增加了五个模块：

1. 化学相关性筛选
   • 判断页面中的图表区域是否与化学有关。
2. 分子结构检测
   • 找出图像中哪些区域包含分子结构。
3. 分子标识符提取
   • 识别结构旁边的化合物编号或标签，如 1、2、1a、2a。
4. 分子结构识别
   • 把分子结构图转换为机器可读的化学结构。
5. 反应路线解析
   • 从反应图中提取反应物、产物和反应条件。

这些模块共同把化学论文中的视觉信息转换成两类输出：

• Molecule Summary List：分子摘要列表；
• Reaction Summary List：反应摘要列表。

4. 两种主要输出是什么

Molecule Summary List

它记录论文中检测到和识别出的分子，包括：

• 分子所在页码；
• 图像中的位置；
• 化合物编号；
• MolFile；
• SMILES；
• 与原始图像的关联。

Reaction Summary List

它把一个反应组织成：

• 反应物；
• 产物；
• 反应条件；
• 对应的分子结构记录。

如果反应物或产物带有化合物编号，系统还会将它们链接回 Molecule Summary List 中对应的分子。

这样，用户可以从一个反应追溯到原论文中的具体分子图像。

5. 为什么采用 CARBON 表示法

分子结构识别的核心表示不是只输出 SMILES，而是使用CARBON：

Complex Atomic Representation and Bonding Object Notation

作者认为，SMILES 虽然适合表示基本的原子连接关系，但对一些复杂信息表达能力有限，例如：

• 分子图像中的二维布局；
• 非标准化学键；
• 原子价态；
• 自由基；
• 连接点；
• 重复结构；
• Markush 结构；
• 特殊立体化学信息。

CARBON 以原子为中心表示分子图，可以同时保留：

• 原子；
• 键；
• 化学语义；
• 特殊结构；
• 原图中的二维坐标。

在系统内部，CARBON 作为主要预测格式；为了兼容现有化学软件，系统还可以进一步导出：

• MolFile；
• SMILES。

6. 分子识别效果很强

作者在修订后的 MolRecBench-Wild 数据集上测试了分子结构识别模块。

在可以用 SMILES 评价的 2,392 个样本上：

SMILES exact-match = 93.02 % \text{SMILES exact-match}=93.02\%SMILES exact-match=93.02%

作为对比，论文测试的最佳比较系统 GPT-5.6-Sol 达到：

74.87 % 74.87\%74.87%

MinerU.Chem 高出：

18.15 18.1518.15

个百分点。

在全部 5,024 个带图结构标注的样本上，MinerU.Chem 的图结构准确率达到：

79.66 % 79.66\%79.66%

相比之下，比较系统中的最好结果约为：

36.41 % 36.41\%36.41%

高出 43.25 个百分点。

7. 系统的实际用途

MinerU.Chem 的目标不是只做单张图片识别，而是服务于整篇化学文献的结构化数据生产。

它可以帮助构建：

• 有机化学知识库；
• 反应数据库；
• 分子数据库；
• AI for Chemistry 训练数据；
• 反应预测数据；
• 逆合成数据；
• 反应条件推荐数据；
• 分子性质预测数据；
• 药物分子设计数据。

同时，系统保留原始页面位置，使识别结果能够：

• 回溯原文；
• 人工检查；
• 修正识别错误；
• 确认模型是否误读了化学结构。

摘要一句话总结

这篇论文提出 MinerU.Chem，将通用文档解析与化学专用模块结合，把有机化学论文中的分子结构、化合物编号和反应路线转换为可追溯的结构化数据，并通过 CARBON 保留复杂化学语义和图像布局，在分子结构识别准确率上明显超过现有比较系统。

第 1 章：Introduction（引言）

这一章主要说明论文为什么需要 MinerU.Chem，以及它要解决什么问题、采用什么结构表示，并总结系统的主要贡献。

1. 有机化学文献中的关键信息往往不是普通文字

在有机化学论文和专利中，大量核心知识被放在：

• 分子结构图；
• 反应路线图；
• 表格；
• 图片；
• 实验流程示意图。

分子结构图中包含的不只是“有哪些原子”，还包括：

• 原子之间的连接关系；
• 原子和基团标签；
• 二维布局；
• 立体化学信息；
• 重复结构；
• 特殊键；
• 连接点；
• 化合物之间的空间关系。

反应图还要组织：

• 反应物；
• 产物；
• 反应条件；
• 反应步骤；
• 箭头方向；
• 多个区域之间的对应关系。

这些图像对化学家来说非常直观，但对于通用文档解析系统来说很难直接理解。

2. 通用文档解析工具的局限

普通 PDF 或论文解析系统通常能够处理：

• 普通文本；
• 公式；
• 表格；
• 页面布局；
• 图片位置。

但遇到化学图像时，往往只会把它当作普通图片，而不会分析图片内部的化学语义。

这会导致：

• 无法建立完整的化学知识库；
• 分子结构无法转成机器可读格式；
• 反应物和产物无法自动整理；
• 反应条件无法与分子对应；
• AI for Chemistry 缺少高质量结构化训练数据。

3. 现有化学识别系统仍然不够稳定

光学化学结构识别（OCSR）系统能够从分子结构图中恢复基本的原子连接关系。

但是，在真实论文和专利中，图像质量和结构形式更加复杂，常见问题包括：

• 低分辨率扫描；
• 模糊；
• 图像背景复杂；
• 多个分子拥挤排列；
• 非标准结构表示；
• 键的视觉形式容易混淆；
• 分子结构与文字、箭头、表格相互重叠。

即使成功恢复了原子连接，很多复杂语义仍可能丢失，例如：

• 立体化学；
• 重复单元；
• Markush 片段；
• 配位键；
• 非标准键；
• 原始图像中的空间坐标。

因此，论文认为真正可用于数据库构建和 AI 训练的系统，不仅要识别“分子拓扑”，还必须保留：

• 复杂化学语义；
• 原图中的位置；
• 分子与标签的对应关系；
• 从识别结果回溯到原文的能力。

4. 反应路线解析也存在类似问题

现有系统已经尝试解析反应图，例如识别：

• 反应物；
• 产物；
• 反应箭头；
• 反应条件。

但在真实文献中，反应图经常包含：

• 密集排版；
• 多个反应区域；
• 复杂背景；
• 低质量扫描；
• 跨区域对应关系；
• 多步反应；
• 分子编号和结构图分离出现。

因此，单独识别某一张反应图还不够。系统还需要把反应图与整篇论文的布局、文字、编号和分子记录联系起来。

5. MinerU.Chem 的定位

MinerU 是一个通用科学文档解析工具，可以把 PDF 和图片转成：

• Markdown；
• JSON；
• 文本；
• 公式；
• 表格；
• 页面布局信息。

MinerU.Chem 在此基础上增加化学专用解析层。

它首先利用 MinerU 得到论文的整体结构，再对其中与化学有关的图片区域进行深入识别。

系统输出两种核心结果：

Molecule Summary List

记录文档中检测到的分子，包括：

• 分子所在页码；
• 图像中的边界框；
• 化合物编号；
• MolFile；
• SMILES；
• 与原始图像的对应关系。

Reaction Summary List

记录反应图中的：

• 反应物；
• 产物；
• 反应条件；
• 与对应分子记录的链接。

这样，用户可以从一个反应追溯到具体分子，再追溯到论文原始页面。

6. 系统包含五个化学模块

MinerU.Chem 的化学解析层包括：

1. 化学相关性筛选
   • 判断某个图片或表格区域是否与化学有关。
2. 分子结构检测
   • 找到页面或图表中的分子结构区域。
3. 分子标识符提取
   • 识别结构旁边的编号和标签，如 1、2、1a、2a。
4. 分子结构识别
   • 把结构图转换成 CARBON、MolFile 和 SMILES。
5. 反应路线解析
   • 识别反应物、产物、条件和反应关系。

这五个模块不是相互独立的，而是组成一条完整的数据生产流程。

7. 为什么不能只使用 SMILES

SMILES 是目前化学信息学中最常用的分子表示形式之一，非常适合表示：

• 原子连接关系；
• 基本分子拓扑；
• 与下游化学软件的接口。

但它不擅长完整保留分子图像中的所有信息，例如：

• 非标准键；
• 原子价态；
• 自由基；
• 连接点；
• 重复结构；
• Markush 结构；
• 原始图像布局；
• 某些特殊立体化学表示。

因此，单独把图片转换为 SMILES，可能会得到一个“拓扑上看似正确，但语义不完整”的结果。

8. CARBON 是系统的核心表示

MinerU.Chem 采用 CARBON：

Complex Atomic Representation and Bonding Object Notation

CARBON 是一种以原子为中心的图结构表示，可以保存：

• 原子；
• 化学键；
• 原子属性；
• 缩写基团；
• 非标准键；
• 重复结构；
• 二维坐标；
• 原始分子布局。

论文将 CARBON 从原本的评测表示扩展为系统内部的原生预测格式。

系统内部保留 CARBON，以保证复杂语义和原图布局不丢失；同时再从 CARBON 导出：

• MolFile；
• SMILES。

这样兼顾了两方面需求：

• CARBON 负责忠实表示复杂化学结构；
• MolFile 和 SMILES 负责兼容现有化学工具链。

9. 论文的主要贡献

作者总结了三项贡献。

第一，完成化学解析能力的集成部署

把以下模块集成到 MinerU 在线平台：

• 化学相关性筛选；
• 分子检测；
• 编号提取；
• 分子结构识别；
• 反应路线解析。

最终输出带有原文位置链接的 Molecule Summary List 和 Reaction Summary List。

第二，系统性使用 CARBON

CARBON 不只是用于离线评测，而是成为系统内部的原生预测格式。

它保留了 SMILES 难以完整表达的：

• 分子布局；
• 复杂化学语义；
• 特殊结构。

同时，系统仍能导出 MolFile 和 SMILES，方便下游使用。

第三，在真实复杂图像上取得高识别准确率

在修订版 MolRecBench-Wild 上：

• SMILES 可评估子集共 2,392 个样本；
• SMILES exact match 达到 93.02%；
• 全部图结构标注样本共 5,024 个；
• 图结构准确率达到 79.66%。

相比对比系统：

• SMILES 准确率比 GPT-5.6-Sol 高 18.15 个百分点；
• 图结构准确率比 Gemini-3.5-flash-thinking 高 43.25 个百分点。

本章一句话总结

第 1 章指出，有机化学文献中的关键知识大量存在于复杂图像中，通用文档解析和单纯 SMILES 表示都难以完整保留这些信息