MinerU est devenu incontournable en analyse de documents : il convertit les PDF à mise en page complexe en Markdown ou JSON propre, transforme les formules en LaTeX et les tableaux en HTML, et envoie automatiquement les scans vers l'OCR — exactement les corpus de haute qualité qu'exigent l'entraînement des modèles et les bases de connaissances RAG. Le projet dépasse les 50 000 étoiles sur GitHub, mais les étoiles ne mesurent que l'attention. Pour savoir s'il mérite sa place chez vous, regardez les comptes ci-dessous.
Dépôt officiel
- Plateforme : GitHub
- Organisation : opendatalab (communauté open source du Shanghai AI Laboratory)
- Nom du projet : MinerU
Il est né dans la chaîne de traitement des données de pré-entraînement d'InternLM, à l'origine pour résoudre la conversion des symboles et formules dans la littérature scientifique, avant de devenir un analyseur de documents généraliste.
Ses points forts
Les extracteurs PDF ordinaires découpent le texte bloc par bloc : les articles en deux colonnes sortent dans le désordre et les formules deviennent illisibles. MinerU reconnaît d'abord la structure grâce à des modèles d'analyse de mise en page : en-têtes, pieds de page et numéros disparaissent, le contenu est réordonné selon l'ordre de lecture humain, et les niveaux de titres, paragraphes et listes sont préservés. Deux routes techniques existent : la route pipeline enchaîne de petits modèles spécialisés — rapide et contrôlable ; la route VLM lit des pages entières avec un modèle de vision dédié à la compréhension de documents, plus précise sur les mises en page complexes et les tableaux à cheval sur plusieurs pages. La sortie comprend, outre le Markdown, un JSON intermédiaire avec coordonnées, utile pour les développements ultérieurs.
Coût de déploiement : pas léger
L'installation tient en une commande pip, mais une configuration fonctionnelle télécharge un jeu complet de poids de modèles, et la première configuration n'est pas tendre avec les débutants. La route pipeline fonctionne en CPU seul, lentement — traiter des centaines de pages en lot demande de la patience. Pour une vitesse utilisable, un GPU d'au moins 8 Go de VRAM est le seuil pratique, et la route VLM en demande davantage. Windows apporte plus de soucis de dépendances que Linux ; les équipes déploient en général via Docker ou sur un serveur Linux. Docling se déploie plus légèrement en comparaison, mais pour les mises en page chinoises complexes et les formules, MinerU est actuellement plus adapté.
Les vrais pièges
D'abord, la licence a changé. Parti sous AGPLv3, le projet est passé, avec la version 3.1.0 en 2026, à la MinerU Open Source License fondée sur Apache 2.0, avec obligations d'attribution et seuils d'usage commercial. Les équipes qui l'intègrent à des produits commerciaux ou à des services publics doivent faire relire le texte actuel de la licence par leur service juridique, au lieu de se fier à l'impression « vieil open source, usage libre » — et les poids de modèles selon les versions peuvent avoir des conditions différentes, donc vérifiez chaque téléchargement.
Ensuite, la précision a des limites. Scans de mauvaise qualité, tableaux à la mise en page excentrique et écriture manuscrite font trébucher même la route VLM, et ses erreurs ont l'air convaincantes. Un contrôle par échantillonnage avant l'indexation RAG est indispensable ; la confiance aveugle est proscrite.
Enfin, le projet itère vite. Les versions sont fréquentes et les paramètres comme les structures de sortie ont changé à plusieurs reprises. Épingler les versions et entretenir des échantillons de régression avant toute mise à jour est une discipline obligatoire en production.
Pour qui, et qui doit passer son chemin
Si vous traitez en masse articles, rapports financiers ou manuels pour nourrir de grands modèles, et que votre équipe peut entretenir un environnement Python, MinerU est un choix open source de premier plan. Si vous ne convertissez qu'un PDF de temps en temps, la version en ligne officielle ou un convertisseur prêt à l'emploi est un meilleur calcul — monter un déploiement pour une seule conversion ne rembourse jamais le temps investi.
