化学 PDF 如何变成 AI 可用的数据？MinerU.Chem 在文档解析之后再加一层“化学解析”

上海人工智能实验室 OpenDataLab 团队发布了 MinerU.Chem 技术报告，合作作者来自华东师范大学、同济大学、复旦大学、上海交通大学和北京大学等机构。它要回答一个很具体的问题：一篇有机化学论文进了系统，怎样才能从 PDF 变成能检索、能计算、能核对，甚至能再交给模型使用的数据？^[S1]

通用的 PDF 解析器已经能找出标题、段落、公式和表格，化学论文却还多出一层。同一张反应路线图，化学家看得到底物、产物、催化剂、温度和步骤先后；在通用文档系统眼里，它很可能只是一个矩形图片块。^[S1]

PDF 解析完了，不等于其中的化学知识也解析了。MinerU.Chem 补的正是文档解析（document parsing）之后缺的那一层：化学解析（chemistry parsing）。

不是一个模型，而是一条流水线

MinerU.Chem 没有让一个模型从整页 PDF 一步生成反应数据库，而是把问题拆成一串前后依赖的模块。MinerU 先做通用的页面解析；化学专用部分再判断每张图或表是否真与化学有关，免得把显微照片和普通图表也送进成本更高的专用模型。^[S1]

接着，系统先定位分子结构图，再在附近找 1a、2b、compound 7 这类化合物编号，把图里的结构和正文里的叫法对上。到第四步才轮到 OCSR（光学化学结构识别）：把二维结构图还原成分子图，导出 MolFile、SMILES 等机器可读格式。^[S1]

最后一步解析反应图：哪些分子是反应物、哪些是产物，箭头旁的文字是试剂、溶剂还是温度，几条箭头又构成几步连续反应。五个环节接起来，系统才从认图片走到产出结构化的化学数据。^[S1][S3]

只认出 SMILES，却不知道它在论文里叫 2b 还是 7c，事后就很难回原图核验；找出了所有分子，却没有还原反应关系，得到的仍是一叠分子卡片，而不是一条合成路线。

光有 SMILES 为什么不够

真实论文里的结构远比教科书上的 SMILES 复杂：化学家会直接写 Ph、Et、Bu，会画 Markush 片段、聚合物重复单元、波浪键、配位键和非常规价态。如果图里写的是 Ph，系统为了得到标准 SMILES 把它展开成完整的苯环，输出也许在化学上合法，却已经不忠实于原图。^[S2][S1]

CARBON 除了原子和化学键，还保存二维坐标、缩写，以及普通 SMILES 难以承载的复杂属性，再由这个信息更全的中间表示导出常用格式。要紧的是原则而不是格式名：先如实记下论文里画了什么，标准化放在后面。^[S2][S1]

更值得问的不是 AI OCR 又涨了几分，而是化学 AI 的训练数据从哪里来。过去几十年的合成知识大多沉在论文、补充材料和专利里，而且常常画在反应路线和分子结构图中。多模态模型能读图，但只要它们还是图片，就难以直接进入需要结构化分子与反应记录的下游流程：反应预测、逆合成、条件建模和新的化学基础模型的训练数据，都要的是后者。

MinerU.Chem 想缩短的，是给人读的文献与机器能用的科学数据之间的距离。难点不只在于大规模跑模型，而在于抽取结果和来源追溯要同时保住。

分子汇总表（Molecule Summary List）为每个分子保存来源位置、化合物编号、结构表示和 MolFile / SMILES。反应汇总表（Reaction Summary List）再把反应物、产物和反应条件组织起来，并链接回已识别的分子记录。^[S1]

值得注意的不是 JSON 格式本身，而是可追溯：每条记录都保留来源位置。立体化学认错了，审核的人仍能回到对应页面和原始框选区域检查。一段通顺的摘要错了，很难查出错在哪；带来源位置的结构化记录，至少可以抽查、重新标注和修正。^[S1]

不妨把 MinerU.Chem 看成给 PDF 加了一层化学证据索引。

最容易读错的数字是 93.02%。它不是“整篇化学论文有 93.02% 解析正确”，也不是全部 5,024 张结构图的成绩，只是分子结构识别这一个模块、在其中 2,392 个能转成合法 SMILES 的样本上的 SMILES 精确匹配率。它前面还有结构检测和编号匹配，后面还有反应解析和文档级关联；多个模块串起来之后的端到端正确率，是另一回事。^[S1]

在同一基准上，报告还测了三类对照系统：专用 OCSR 工具与经过化学微调的视觉语言模型、商用化学 OCR 服务、通用多模态大模型。结构识别模块全面领先；排第二的 GPT-5.6-Sol SMILES 精确匹配为 74.87%，低 18.15 个百分点。报告又按 MOSAIC 难度标签把基准分成三个互斥子集，视觉与化学语义难度逐级升高：最易的子集上 SMILES 精确匹配 / 分子图准确率为 98.28% / 92.15%，视觉更难的子集为 93.49% / 80.11%，带化学语义难点标签的子集为 70.13% / 55.42%。至于分子图准确率领先次优系统多少，报告引言写 43.25 个百分点，结果部分写 42.1，前后不一致，这里不引用。^[S1]

两种指标的分母不同。SMILES 精确匹配只能在有合法 SMILES 标注的样本上算：全基准 2,392 个，A、B、C 依次 1,219、875、298 个；含 Markush 结构、非常规缩写或违反价键规则等情况的结构转不成合法 SMILES，所以被排除。分子图准确率在全部 5,024 张上算，A、B、C 依次 1,987、1,976、1,061 张。三个子集互不重叠，合起来就是整个基准。版本也要分清：MolRecBench-Wild 论文首版报告的是取自 820 篇论文的 5,029 张结构图；MinerU.Chem 用的是最新修订版，5,024 张全部带分子图标注；2,392 是其中能转成 SMILES 的评测子集。^[S1][S2]

这是一份技术报告，系统也已上线，但目前最亮眼的定量结果集中在单个模块，而不是整篇文档的端到端抽取。一个化合物编号配错，或一条反应条件挂到了相邻的箭头上，都可能生成格式合法、内容却错误的数据库记录。^[S1]

复杂 Markush 结构、R 基团、跨页关联和多步路线仍是明显的短板。眼下它更适合做大规模的第一遍处理，再把难例交给人工复核。关键指标是：一篇论文能自动产出多少条正确记录，修好其余错误又要花多少人工。^[S1]

科学文档解析从 OCR 收尾处起步

化学论文里的反应路线是一张图结构，材料论文里可能有相图，生物论文里可能有通路图。通用解析器回答页面上有什么，领域系统还要弄懂这些内容在科学上意味着什么。

科学数据既要准确，也要能追溯来源

一个错误的立体中心悄无声息地进了训练数据库，和聊天机器人说错一句话不是一回事。来源页码、原图位置和化合物编号看上去不怎么像 AI，却是科学数据系统的核心基础设施。

最有用的自动化，往往不是无人值守

让机器先做大规模抽取，把人的时间留给复杂 Markush、低置信度结构和跨页关联，可能比执着于“完全自动”更有价值。

大量文献知识还没变成 AI 能用的数据

模型变强以后，瓶颈未必总在网络结构。很多高价值的科学知识，也许只是还没变成模型和程序能用的数据。