MinerU：把文档变成大模型能"读"的样子

在大模型落地的一年又一年里，有一个环节始终绕不开：你的知识库不是 Markdown，而是成千上万份 PDF。论文、财报、合同、招标书、扫描件------双栏排版、跨页表格、公式、页眉页脚混杂其中。直接把 PDF 文本糊给 LLM，效果通常惨不忍睹。MinerU 就是专门解决这个问题的一个开源项目，目前最新版本是 2026 年 6 月发布的 v3.4。

MinerU 是什么

MinerU 是上海人工智能实验室 OpenDataLab 团队开源的文档解析引擎，诞生于书生·浦语大模型的预训练过程------他们当年自己就需要把海量科技文献转成干净的训练数据，索性把工具做了出来。它做的事情一句话可以说清：

把 PDF、图片、DOCX、PPTX、XLSX 转成结构化的 Markdown / JSON，让内容可以直接进入 RAG、Agent 和 LLM 的处理流水线。

具体能力包括：

公式转 LaTeX、表格转 HTML，而不是把公式拍扁成乱码、把表格拆成一串碎片文字
按人类阅读顺序输出，正确处理单栏、多栏和复杂排版
自动去除页眉、页脚、脚注、页码，保证语义连贯
自动识别扫描件和乱码 PDF 并启用 OCR，支持 109 种语言
跨页表格合并、截断段落合并、表格内图片识别等复杂版面场景

三个解析后端，按硬件选

MinerU 现在有三种推理后端，这是它工程上比较成熟的一个体现：

后端	精度（OmniDocBench v1.6）	特点
`pipeline`	86.47	传统多模型流水线，无幻觉，纯 CPU 可跑，显存 4GB 起步
`vlm-engine`	95.39（high）	自研 1.2B 参数视觉语言模型本地推理，需要 GPU（8GB 显存）
`hybrid-engine`	95.39（high）/ 95.26（medium）	原生文本提取 + VLM 结合，高精度且低幻觉

几个值得注意的细节：

VLM 后端用的模型只有 1.2B 参数 （MinerU2.5-Pro-2605-1.2B），却做到了文档解析的顶级精度。这得益于解耦式架构------版面检测和内容提取分开处理（技术细节见论文）。小模型意味着部署门槛低，一台带普通显卡的机器就能跑。

Hybrid 后端支持 effort 档位 。v3.3 新增的 medium 档相比 high 精度只降 0.13 分，但解析速度提升 35%~220%（macOS 上文本 PDF 提速约 220%），日常文档处理默认走 medium 就够了。

没有 GPU 也能用 。pipeline 后端纯 CPU 可运行，这在开源文档解析工具里不算普遍。另外它适配了十余款国产算力平台（昇腾、寒武纪、摩尔线程等），还提供 vlm-http-client 模式------本地只做轻量客户端，推理丢给远程 OpenAI 兼容服务，本地显存 2GB 即可。

版本演进：从工具到基础设施

看 MinerU 这两年的版本节奏，能明显看出它从一个"PDF 转 Markdown 工具"在往"大规模文档解析基座"演进：

v3.0（2026/03） ：架构大升级。DOCX 原生解析（比先转 PDF 再解析快数十倍）；异步任务 API；新增 mineru-router 支持多服务、多 GPU 统一入口和负载均衡；滑动窗口优化让上万页长文档不用再手动拆分；移除 AGPLv3 依赖模型。
v3.1.0（2026/04） ：许可证正式切换为基于 Apache 2.0 的 MinerU 开源许可证------对商业落地来说这是最关键的一步；补齐 PPTX 和 XLSX 原生解析，完成全格式覆盖。
v3.3（2026/06）：Hybrid 引擎提速，VLM 模型升级到 2605 版本，原生多语言 OCR。
v3.4（2026/06）：pipeline 后端 OCR 模型升级到 PP-OCRv6，OCR 相关指标提升约 11%，OCR 处理速度翻倍；模型下载支持源自动选择。

许可证这条值得展开：早期 AGPLv3 让很多公司在集成时犹豫，现在基于 Apache 2.0 的协议大幅降低了商用门槛，这也是它 GitHub star 数持续涨的原因之一。

上手成本很低

安装就三行：

bash 复制代码

pip install --upgrade pip
pip install uv
uv pip install -U "mineru[all]"

使用更简单，一条命令：

bash 复制代码

# 有 GPU（Volta 及以后架构或 Apple Silicon）
mineru -p 你的文件.pdf -o ./output

# 纯 CPU 环境
mineru -p 你的文件.pdf -o ./output -b pipeline

国内网络环境可以 export MINERU_MODEL_SOURCE=modelscope 切到魔搭下载模型，v3.4 之后还会自动选源。Python 3.10--3.13、Windows/Linux/macOS 都支持，Linux 上有官方 Docker 镜像。

生态接入也比较全：

RAG 框架：LangChain、LlamaIndex、RAGFlow、Dify、FastGPT 等原生集成
AI 编程工具：提供 MCP Server，可以直接接 Cursor、Claude Desktop、Windsurf
零代码 ：mineru.net 在线版，或本地 Gradio WebUI、桌面客户端

我的建议是：先拿你手头最恶心的几份文档（扫描件、双栏论文、复杂表格）去在线版试一下效果，再决定要不要本地部署。

和其他方案比

文档解析这个赛道现在很热闹，粗略可以分几类：

传统工具（pdfplumber、PyMuPDF）：只能提取文本层，版面理解弱，免费但天花板低
云服务 API（各家大厂的文档解析接口）：效果好，但按页收费，且文档要出你的环境
开源深度学习方案：MinerU、Marker、Dotseed/Docling 等

MinerU 的差异化在于三点：精度数据公开可查 （OmniDocBench 本身就是他们做的基准）、全格式覆盖且无格式转换损耗 、从单机 CPU 到多卡集群的完整部署梯度。1.2B 的小模型 + Apache 2.0 协议，让个人开发者和小团队的上手成本几乎为零。

一点务实的提醒

文档解析本质上是困难任务。扫描件、手写体、老论文的印刷质量、极端复杂版面，任何工具都可能翻车。MinerU 官方自己也说得很坦率：结果不及预期欢迎带着样例文件去提 issue。实践上建议：

用在线版先验证你自己的文档类型效果如何，再决定部署
生产环境把解析结果做可视化质检（MinerU 自带 layout 可视化）
高价值文档人工抽查，别完全信任任何解析器------尤其数字和表格

总体来说，如果你的工作涉及"让大模型理解存量文档"，MinerU 是目前开源方案里绕不开的一个选项。它不是玩具，书生系列大模型的训练数据流水线就是它的第一个用户。