MinerU 4.0强势来袭：开源文档解析迈入Agent时代

复杂文档的处理一直是企业知识库建设和RAG系统的痛点所在——扫描件模糊、公式表格密集、多级标题乱序、PDF转图片再OCR精度损失，这些问题长期困扰着技术团队。上海人工智能实验室OpenDataLab开源的MinerU，一直在复杂文档解析领域扮演着“破局者”角色。2026年9月，MinerU 4.0正式发布，GitHub Star已突破8万，成为开源社区最受欢迎的文档解析工具之一。这一次，4.0版本不再满足于做“更好的PDF转Markdown工具”，而是将目标锁定在成为Agent时代的文档解析基础设施——把任意复杂文档转成大模型和Agent可直接消费的结构化知识。这一转身意味着什么，本文从核心升级、架构解析、安装实测和横向评测四个维度全面展开。

定位升级：从文档转换工具到Agent原生基础设施

理解MinerU 4.0的升级逻辑，首先要厘清它究竟解决什么问题。传统PDF解析在面对学术论文中的复杂公式、商业报表的多行合并单元格、扫描件中的印章与签字时，往往力不从心——要么信息丢失，要么版面错乱。MinerU采用VLM（视觉语言模型）加小模型双引擎，自动去除页眉页脚页码、还原人类阅读顺序、保留标题段落列表，并精准抽取图文表格：公式转为LaTeX、表格转为HTML，输出即是大模型友好的结构化文本。4.0版本带来六大关键变化：四级解析质量替代了3.x的pipeline后端选择、DocVortex实现原生多格式解析而非先转PDF再OCR、本地文档库支持渐进式阅读、模型配置与运行时完全解耦、统一SDK/API/WebUI三大入口，以及九种渲染目标。License方面，4.0基于Apache 2.0改进的MinerU Open Source License，绝大多数场景可免费商用，授权更加干净透明。

架构革新：四级解析体系与文档库的Agent化改造

4.0最核心的架构变化是用四级解析质量（Tiers）取代了旧版的pipeline后端选择，开发者可按“质量—速度—成本”灵活取舍。flash层质量最低、速度最快，无需推理模型，适合发现与预览；basic层小模型跑OCR/公式/表格，可纯CPU运行，适合低资源场景；standard层小模型加VLM，提供默认阅读质量；advanced层投入更多推理算力，速度最慢但质量最高，适合困难文档的最大质量保障。PDF与图片支持全部四级；Office、OpenDocument、EPUB、OFD、HTML、CSV-TSV在flash层本地解析；纯文本则直接读取。DocVortex是另一大亮点——它提供原生文档解析，不再转PDF、不下载模型，直接解析docx/pptx/xlsx等格式，无幻觉、结构还原完整，比“先转PDF再解析”快数十倍，且几乎不占GPU，非常适合高频、批量、在线化的文档处理场景。

实战部署：从pip安装到本地文档库全流程

MinerU 4.0的安装设计充分考虑了不同用户群体的硬件条件。环境要求Python >= 3.10且< 3.15，普通电脑用基础包即可开箱即用（ONNX CPU小模型加llama.cpp VLM）。pip install -U mineru安装基础包后，mineru-kit models download --tier standard下载标准模型集，mineru-kit models verify校验完整性即可运行。国内用户可设export MINERU_MODEL_SOURCE=modelscope走ModelScope镜像加速下载。硬件推荐上，macOS Apple Silicon配standard加torch；Win/Linux加NVIDIA 8GB以上配standard加full；无现代加速器的环境选basic加base。资源占用参考：basic模型约0.8GB、最小内存2GB、可纯CPU运行；standard/advanced约2GB、8GB内存；torch加vLLM约3GB、16GB内存。4.0新增mineru命令族涵盖parse/read/find/search/show/list/watch/scan，外加缓存控制和后台服务。默认本地解析保护隐私，只有显式加--remote才上传；mineru parse默认只解析前10页并返回next_request续读命令，长文档逐页读取而非一次性加载——这正是Agent把文档当可检索知识用的关键设计。稳定定位符doc:{id}/tier:{tier}/page:{page}/block:{block}支持续读、页码区块图片导出及可核验引用。

性能实测：中英双语领先，短板与选型建议

OmniDocBench是文档解析领域的综合基准，覆盖981个PDF页面、9种文档类型、4种排版、3种语言，对文本、表格、公式、阅读顺序分别打分。基于eulerai开源评测的横向对比显示：MinerU英文整体编辑距离0.15（最低，双语综合最优），中文0.357（双语最佳）；olmOCR、Marker次优；Docling最差（英文0.589、中文0.909）。分项来看，纯文本MinerU全面领先英文误差0.061、中文0.215均为第一；表格MinerU英文TEDS 78.6、中文62.1；公式MinerU中英文CDM 57.3/42.9较均衡（olmOCR英文74.3但中文骤降至43.2）；阅读顺序MinerU英文0.079极佳，中文场景误差率有所上升。客观短板必须正视：第三方测试显示MinerU与Marker质量相近，Marker表格布局略优且速度更快；Docling复杂表格吃力；MinerU中文复杂排版与竖排阅读顺序存在误差，超长文档需渐进读取，VLM模式较吃GPU，暂不原生支持多层级标题与代码块版面识别。选型建议：学术文档重公式推荐MinerU或olmOCR；商业报表重表格推荐MinerU或Marker，重速度选Marker；多语言混合场景用olmOCR加MinerU文本；中文特化场景用MinerU加后处理。

MinerU 4.0的战略意图已经非常清晰：不再只是“PDF转Markdown”，而是把文档变成Agent可用的知识基础设施——四级解析、原生多格式、本地文档库、统一API，开源且商用友好。本地部署零门槛（显卡加电费即可），接入MCP协议后可直接对接Dify、OpenClaw等主流Agent框架。如果你正在构建RAG Pipeline或开发Agent应用，不妨将文档解析入口升级到MinerU 4.0，重新审视解析质量与系统稳定性的变化。