MinerU

MinerU是由上海人工智能实验室OpenDataLab团队开发的一站式开源智能文档解析工具，专注解决大模型训练、RAG系统与知识库构建中的高质量结构化数据提取难题。

一、核心功能（普通用户友好）

• PDF深度解析：自动提取文本、表格、图片、公式（转LaTeX），精准识别标题/段落/列表，保留原始排版；支持扫描版PDF的OCR识别，自动过滤页眉、页脚、脚注等冗余内容。
• 多格式兼容：支持PDF、PNG/JPEG等图片、EPUB/MOBI/DOCX电子书，还能从网页抽取纯净正文。
• 多语言覆盖：支持109+种语言OCR，适配跨国资料处理。
• 结构化输出：一键转Markdown（含多模态元素）、JSON、HTML，输出符合机器阅读顺序，便于大模型直接使用。
• 轻量高效：0.9B小参数模型，消费级显卡单卡可流畅运行，推理速度快、部署成本低。
• 科学数据能力：高精度提取数学公式、化学分子式、化学反应式，适配科研文档解析。

二、适用场景

• 大模型训练语料清洗与结构化
• RAG系统、企业知识库构建
• 学术论文、科研报告、财务报表解析
• 电子书批量转换、网页内容提取
• 扫描文档数字化与信息抽取

三、底层技术

• 视觉语言模型（VLM）、LayoutLMv3（版面分析）
• 自研YOLOv8（公式检测）+ UniMERNet（公式转LaTeX）
• PaddleOCR（多语言文字识别）
• SGLang推理优化、Native-Res ViT原生高分辨率视觉技术
• 基于PDF-Extract-Kit多模块解析架构