文档解析还在用传统 OCR？来看看开源神器 M

同一份 PDF，人看着明明很清楚：左边正文、右边图表，下面还有一排公式。可把它交给 AI，回答里却出现了串行、漏字，甚至把表格的两列拼成了一句话。

问题往往出在更前面——文档没被拆成机器能理解的内容。MinerU 就是干这个的，它把 PDF、扫描件转成 Markdown 或 JSON，让大模型能读、能搜、能引用。

4.0 版本一口气支持了 Word、PPT、Excel 等十来种格式。解析分四档，普通 PDF 用默认的 Standard 就行；遇到特别复杂的再上 Advanced。不过要注意，Word 这些原生文件只能走最快的 Flash 档。

想落地也不难。个人用 Python 加 WebUI 就能跑；接业务系统就调它的 HTTP API；做企业知识库，再接上向量库和大模型。关键是解析完一定要抽查，特别是合同金额和论文公式，机器难免出错。

要是你打算拿它给第三方提供在线服务，记得看一眼开源协议，月活过亿或收入超两千万美元，就得单独谈商业许可了。