opendatalab/MinerU

What it solves

MinerU 是一個高精度的文件解析引擎，旨在將複雜的文件——包括 PDF、DOCX、PPTX、XLSX、圖像和網頁——轉換為結構化的 Markdown 或 JSON。它解決了從具有複雜佈局的文件中提取高品質、結構化數據的問題，例如多欄位佈局、掃描文件、手寫內容和跨頁表格，這對於 LLM、RAG 和 Agent 工作流至關重要。

How it works

該引擎採用雙引擎方法，結合了視覺語言模型 (VLM) 和光學字符識別 (OCR) 以支持 109 種語言。它提供三種推理後端：

• pipeline: 一個快速、穩定、兼容 CPU/GPU 的後端，可避免幻覺。
• vlm-engine: 一個高精度的後端，支持 vLLM、LMDeploy 和 mlx 生態系統。
• hybrid-engine: 在高精度和原生文本提取之間取得平衡，以最大限度地減少幻覺。

Who it’s for

• Developers 正在構建 RAG 框架或 AI agents，需要從各種文件格式中獲取乾淨、結構化的數據。
• Enterprise users 需要在各種 AI 芯片上進行私有、完全離線的部署（例如：Ascend、Moore Threads）。
• No-code users 偏好使用網頁版、桌面客戶端或 Gradio WebUI。

Highlights

• Multi-format support: 原生解析 PDF、DOCX、PPTX、XLSX 和圖像。
• Complex layout handling: 精確地重建構公式（轉換為 LaTeX）、表格（轉換為 HTML）以及符合人類閱讀順序的內容，並自動移除標題/頁腳。
• Broad integration: 與 LangChain、LlamaIndex、RAGFlow、Dify 和 FastGPT 原生集成，並支持 Cursor 和 Claude Desktop 的 MCP server。
• Scalable infrastructure: 支持多線程併發推理，通過 mineru-router 進行多 GPU 部署，以及針對超長文件的滑動窗口機制。"},