MinerU：LLM 时代的「文档解析引擎」

79.7k 星开源神器，从 PDF 汪洋到结构化数据只差一个引擎

▲ 图 1：MinerU 项目核心数据卡（数据截至 2026-09）

大模型落地的第一公里，往往不是模型不够强，而是「喂进去的文档不够干净」。扫描件、多栏排版、跨页表格、密密麻麻的数学公式——这些人类看起来稀松平常的东西，对 LLM 来说却是一锅夹生的"乱炖"：顺序错乱、表格散架、公式变成乱码。

MinerU 要解决的正是这件事：把 PDF、Word、PPT、Excel、图片乃至网页，统一解析成大模型可直接消化的 Markdown 和 JSON——公式转 LaTeX、表格转 HTML、阅读顺序自动还原、页眉页脚自动剔除。它诞生于上海 AI 实验室书生·InternLM 的预训练语料建设一线，属于"自己造船自己用"的实战派选手。

从源码看（v3.4.5），MinerU 采用「客户端 → 编排服务 → 推理后端」的三层架构。上层是 CLI、FastAPI、多 GPU 路由器组成的调度层；中层是三种可互换的推理后端；底层是布局检测、公式识别、表格识别、OCR 四大类专用模型。

MinerU 的精度底气来自自研视觉语言模型 MinerU2.5（仅 1.2B 参数，技术报告 arXiv:2509.22186）。它没有蛮力处理高分辨率整页图像，而是采用「粗到细」两阶段解析：先在缩小的图上读懂全文结构，再回到原始分辨率精抠每一块内容——像人读文献一样，先扫目录框架，再逐段细读。

MinerU 的部署形态覆盖"轻体验"到"重生产"：在线 demo 与桌面客户端适合零门槛尝鲜，pip / Docker 适合开发者与私有化部署。核心操作链路只有五步。

2026 年上半年，MinerU 以几乎每月一个大版本的节奏快速进化：3 月移除 AGPLv3 依赖并原生支持 DOCX；4 月许可证迁移至 Apache 2.0 系、补齐 PPTX/XLSX；6 月 hybrid 后端引入 effort 解析强度参数、OCR 升级 PP-OCRv6（精度 +11%、速度翻倍）。更关键的是——商用门槛被彻底拉平。