MinerU 是这两年文档解析领域绕不开的开源项目：把排版复杂的 PDF 转成干净的 Markdown 或 JSON，公式变 LaTeX、表格变 HTML、扫描件自动走 OCR，正好卡在大模型训练和 RAG 知识库最缺高质量语料的点上。它在 GitHub 上已有 5 万多 star，但 star 数只说明关注度，值不值得你部署，要看下面几笔账对不对得上。
官方仓库信息
- 平台：GitHub
- 组织：opendatalab（上海人工智能实验室旗下开源社区）
- 项目名：MinerU
它出身于 InternLM 的预训练数据处理流程，最初就是为了解决科学文献里符号、公式转换的麻烦，后来才独立成通用文档解析工具。
它强在哪
普通 PDF 提取工具按文本块硬拆，双栏论文会读串行、公式变乱码。MinerU 用版面分析模型先认结构：去掉页眉页脚和页码，按人类阅读顺序重排，标题层级、段落、列表都保留。项目提供两条技术路线：pipeline 路线由一组小模型流水线完成解析，速度快、可控性强；VLM 路线用专门的文档理解视觉模型整页读图，复杂版面和跨页表格的精度更高。输出除 Markdown 外还有带坐标的中间 JSON，方便二次开发。
部署成本：不算轻
安装本身是 pip 一行命令，但完整跑起来要下载一整套模型权重，首次配置对新手并不友好。pipeline 路线纯 CPU 能跑，只是速度慢，批量处理几百页要有耐心；想要可用的速度，一张 8GB 以上显存的显卡是实际门槛，VLM 路线的要求更高。Windows 上依赖问题比 Linux 多，团队落地普遍建议直接用 Docker 或放在 Linux 服务器上。相比之下，Docling 的部署更轻，但复杂中文版面和公式处理，MinerU 目前更对口。
真实坑点
第一是授权变过。项目早期用 AGPLv3，2026 年的 3.1.0 版起改为基于 Apache 2.0 的 MinerU 开源许可，附带署名要求和商业使用门槛条款；打算把它嵌进商业产品或对外服务的团队，要按现在的许可文本让法务过一遍，不能按"老牌开源随便用"的印象处理。不同版本的模型权重授权也可能不一致，下载时逐个确认。
第二是精度有边界。扫描质量差的文档、排版怪异的表格、手写内容，VLM 路线也会出错，而且错得"很像真的"；进 RAG 之前必须抽检，不能全自动信任。
第三是迭代快。版本更新频繁，参数和输出结构调整过多次，锁版本、写好回归样本再升级，是用它做生产管线的必修课。
谁适合折腾，谁绕开
要批量处理论文、财报、说明书喂给大模型，且团队里有人能维护 Python 环境的，MinerU 是当前开源里的第一梯队选择。只是偶尔转一两份 PDF 的个人用户，直接用官方在线版或现成的转换工具更划算，为一次转换搭一套部署环境，时间账算不过来。
