做 RAG 或 Agent 的人几乎都会撞上同一堵墙：手里的知识大多躺在 PDF、扫描件、Office 文档里，而大模型需要的是干净、结构化、按阅读顺序排好的文本。公式变成乱码、跨页表格被切断、多栏排版被打乱、页眉页脚混进正文——这些「文档解析」环节的脏活，往往决定了整个检索系统的上限。MinerU 正是为解决这堵墙而生。它是 OpenDataLab 开源的高精度文档解析引擎，把 PDF、DOCX、PPTX、XLSX、图片乃至网页统一转换成 LLM 可直接消费的 Markdown 与 JSON。2026 年 6 月 18 日发布的 3.4.0 版本，把这条管线又往生产可用推进了一大步。
它到底解决什么问题
MinerU 的定位很明确：把「复杂文档」转成「LLM-ready 的结构化文本」。它的能力覆盖了文档解析里最棘手的几类场景：
- 多格式原生支持：PDF、DOCX、PPTX、XLSX、图片、网页，统一入口。
- 结构化输出：按自然阅读顺序生成 Markdown 和 JSON，公式转 LaTeX、表格转 HTML，并做版面重建。
- 难啃的排版：扫描件、手写体、多栏布局、跨页表格合并都能处理。
- 多语言 OCR：支持 109 种语言的文字识别。
- 正文净化：自动去除页眉页脚，保持语义连贯。
这些能力叠加起来，意味着你不再需要为「怎么把这份 PDF 喂给模型」写一堆脆弱的正则和后处理脚本——MinerU 把这一层做成了可复用的引擎。
核心架构：VLM + OCR 双引擎
MinerU 的技术底座是 VLM（视觉语言模型）+ OCR 的混合方案，并对外提供多个推理后端：
- pipeline 后端：传统流水线，兼容 CPU，最低 4GB 显存即可跑，OmniDocBench 上约 86 分，适合资源受限或对成本敏感的场景。
- vlm-engine / hybrid-engine：以 VLM 为核心的高精度后端，精度可达 95 分以上，但需要 8–16GB 以上显存。
这种分层设计让 MinerU 能覆盖从「一台普通服务器」到「多卡 GPU 集群」的部署跨度。3.3 版本还引入了 medium / high 两档 effort 等级，让你在混合解析里按需权衡速度与精度。
3.4.0 更新了什么
2026 年 6 月 18 日发布的 3.4.0，是一次聚焦「精度与速度」的迭代，重点是 pipeline 后端的 OCR 能力升级：
- OCR 模型升级到 PP-OCRv6：在 OmniDocBench v1.6 上，OCR 精度提升约 11%。
- 处理速度提升约 100%：pipeline 后端吞吐接近翻倍。
- 模型下载与缓存优化：改进下载逻辑、复用本地缓存，减少重复拉取。
把最近几个版本连起来看，MinerU 的演进节奏很清晰：
- 3.3（6 月 11 日）：混合解析优化，引入 medium/high effort 档位，速度提升 35%–220%，VLM 升级到 MinerU2.5-Pro-2605-1.2B。
- 3.1.0（4 月 18 日）：许可证改为基于 Apache 2.0 的 MinerU 开源许可，新增 PPTX/XLSX 原生解析。
- 3.0.0（3 月 29 日）：新增 DOCX 原生解析，pipeline 后端 OmniDocBench 达 86.2，支持多 GPU 部署。
对超长文档，MinerU 通过滑动窗口、流式写盘等优化，把过去「必须手动切分」的处理变成了稳定、可扩展、可上生产的多线程并发推理。
安装与命令行用法
MinerU 的上手成本很低。推荐用 uv 或 pip 安装：
uv pip install -U "mineru[all]"
最基本的解析命令只需要指定输入和输出路径：
mineru -p <input_path> -o <output_path>
如果没有 GPU，强制走 CPU 兼容的 pipeline 后端：
mineru -p <input_path> -o <output_path> -b pipeline
输出方面，MinerU 会生成多种形态供不同用途选用：
- 多模态 Markdown：保留图片引用，适合完整还原。
- NLP Markdown：按阅读顺序排序的纯文本，适合直接喂给模型。
- JSON：按阅读顺序结构化，便于程序化处理。
- 可视化结果：版面（layout）与文本块（span）可视化，用来核对解析质量。
生态与 RAG 落地
MinerU 不只是一个命令行工具，它已经长成了一套生态，这对把它接进现有系统很关键：
- MCP Server：可接入 Cursor、Claude Desktop、Windsurf，让 AI 编辑器直接调用文档解析能力。
- RAG 框架集成：LangChain、LlamaIndex、RAGFlow、Dify、FastGPT 均有对接。
- 多种接入方式：Python/Go/TypeScript SDK、REST API、CLI 一应俱全。
- 零代码入口：mineru.net 网页应用、Gradio WebUI、桌面客户端，非技术用户也能用。
在部署层面，MinerU 支持一键多 GPU 部署，通过 mineru-router 做统一接入与自动负载均衡；同时兼容昇腾、寒武纪、燧原、沐曦、摩尔线程、昆仑芯等多种国产芯片，对国内私有化落地相当友好。
一个典型的 RAG 落地路径是：用 MinerU 把文档批量转成 NLP Markdown 或 JSON → 按结构切块（chunk）→ 生成 embedding 入库 → 检索时召回。相比直接用简易 PDF 提取，MinerU 保留的阅读顺序、表格结构和公式信息，能显著减少「检索到一堆乱序碎片」的问题，从源头提升召回质量。
总结
- MinerU 是 OpenDataLab 开源的高精度文档解析引擎，把 PDF/DOCX/PPTX/XLSX/图片/网页统一转成 LLM 可读的 Markdown/JSON，公式转 LaTeX、表格转 HTML，支持 109 种语言 OCR。
- 采用 VLM+OCR 双引擎，提供 pipeline（CPU 友好、约 86 分）与 VLM/hybrid（高精度、95+ 分）多后端，覆盖从单机到多卡的部署跨度。
- 3.4.0（2026-06-18）把 OCR 升级到 PP-OCRv6，精度提升约 11%、速度翻倍，并优化了模型下载与缓存。
- 安装用
uv pip install -U "mineru[all]"，一行mineru -p 输入 -o 输出即可解析，无 GPU 时加-b pipeline。 - 生态完善：MCP Server、主流 RAG 框架、SDK/REST/CLI、零代码入口俱全，并支持多 GPU 与国产芯片，是 RAG 数据准备阶段值得优先考虑的开源方案。
评论