opendatalab/MinerU

What it solves

MinerU 是一个高精度的文档解析引擎，旨在将复杂的文档——包括 PDF、DOCX、PPTX、XLSX、图像和网页——转换为结构化的 Markdown 或 JSON。它解决了从具有复杂布局的文档中提取高质量、结构化数据的问题，例如多栏布局、扫描文档、手写内容和跨页表格，这对于 LLM、RAG 和 Agent 工作流至关重要。

How it works

该引擎采用双引擎方法，结合了视觉语言模型 (VLM) 和光学字符识别 (OCR) 以支持 109 种语言。它提供三种推理后端：

• pipeline: 一个快速、稳定、兼容 CPU/GPU 的后端，可避免幻觉。
• vlm-engine: 一个高精度的后端，支持 vLLM、LMDeploy 和 mlx 生态系统。
• hybrid-engine: 一个在精度与原生文本提取之间取得平衡的后端，以最大限度地减少幻觉。

Who it’s for

• Developers 正在构建 RAG 框架或 AI agents，需要从各种文档格式中获取干净、结构化的数据。
• Enterprise users 需要在各种 AI 芯片上进行私有、完全离线的部署（例如：Ascend、Moore Threads）。
• No-code users 偏好使用网页版、webui、桌面客户端或 Gradio WebUI。

Highlights

• Multi-format support: 原生解析 PDF、DOCX、PPTX、XLSX 和图像。
• Complex layout handling: 精确地重建公式（转换为 LaTeX）、表格（转换为 HTML）以及符合人类阅读顺序的内容，并自动移除页眉/页脚。
• Broad integration: 与 LangChain、LlamaIndex、RAGFlow、Dify 和 FastGPT 原生集成，并支持 Cursor 和 Claude Desktop 的 MCP server。
• Scalable infrastructure: 支持多线程并发推理，通过 mineru-router 进行多-GPU 部署，以及针对超长文档的进行滑动窗口机制。