ドキュメントを読み取る従来のシステムは、通常、文字や単語を一つずつ予測することでテキストの画像をデジタルデータへと変換する。この自己回帰的デコーディングと呼ばれる逐次的なアプローチは効果的ではあるものの、初期の段階で生じた一つの誤りがその後のテキスト全体に波及する「エラー伝搬」を引き起こしやすい。その結果、特に長文ファイルの処理速度が著しく低下するという課題を抱えていた。

MinerU-Diffusionは、ドキュメントの変換を一種の逆レンダリングタスクとして捉え直すことで、この分野にパラダイムシフトをもたらした。このモデルは左から右へと順番に読み取るのではなく、拡散ベースのフレームワークを活用し、並列デノイジングを通じてドキュメント全体の内容を同時に生成する。この手法により、あたかも画家が素描を完成した絵画へと仕上げていくように、ページ全体のテキストとレイアウトを一度に洗練させることが可能になった。

本フレームワークには、専用のブロック単位デコーダーと、簡単なタスクから段階的に難易度を上げるカリキュラム学習戦略が採用されている。これらの技術革新により、従来のモデルと比較して3.2倍の高速化を実現した。さらに、予測可能な言語パターンよりも視覚的な手がかりを重視することで、MinerU-Diffusionは密集した表や数式、不規則な構造を持つドキュメントの解析において、極めて高い精度を発揮する。

これまでの書類を読み取るAIは、画像の中の文字を1文字ずつ、あるいは単語ごとに順番にデジタルデータに変えていました。しかし、この順番に読んでいく方法（逐次生成）では、最初の方で一箇所でも間違えると、その後の文字までつられて間違えてしまうことがありました。また、ページが長いと読み取るのにとても時間がかかるという問題もありました。

「MinerU-Diffusion（マイナー・ユー・ディフュージョン）」という新しいAIは、この読み取り方を根本から変えました。左から右へ順番に読むのではなく、ページ全体を一度にパッと作り上げる方法（拡散モデルによる並列デコード）を使います。これは、まるで画家が下書きから少しずつ全体を整えて完成した絵にするように、ページ全体の文字やレイアウトを一度にきれいに整えていくやり方です。

この仕組みには、書類をいくつかのまとまりに分けて処理する工夫（ブロック単位デコーダー）や、簡単なものから順番に練習していく学習方法（カリキュラム学習）が取り入れられています。そのおかげで、今までのAIよりも3.2倍も速く作業ができるようになりました。さらに、言葉の決まったパターンに頼りすぎず、見たままの形をしっかり見極めるので、ぎっしり詰まった表や難しい計算式（数式）、複雑なデザインの書類も正確に読み取ることが得意になりました。