PDF转Markdown/JSON软件MinerU最新2.5.4版一键启动整合包下载

• 2025/07/23 2.1.4 发布
  • 错误修复
    • 修复某些场景下后端MFR步骤内存消耗过大的问题#2771pipeline
    • 修复某些条件下image/table和caption/匹配不准确的问题#3129footnote
• 2025/07/16 2.1.1 发布
  • 错误修复
    • 修复某些场景下可能出现的文本块内容丢失问题pipeline#3005
    • sglang-client修复需要不必要的包（如torch#2968）的问题
    • 更新dockerfile以修复由于 Linux 中缺少字体导致的文本内容解析不完整问题 #2915
  • 可用性改进
    • 已更新compose.yaml，以便于直接启动sglang-server、、mineru-api和mineru-gradio服务
    • 推出全新的在线文档网站，简化自述文件，提供更好的文档体验
• 2025/07/05 版本 2.1.0 发布
  • 这是MinerU 2的首次重大更新，包含大量新功能和改进，涵盖显著的性能优化、用户体验提升以及错误修复。详细更新内容如下：
  • 性能优化：
    • 显著提高了特定分辨率文档（长边约 2000 像素）的预处理速度。
    • pipeline后端批量处理页数较少（<10页）的文档时，后处理速度大大提高。
    • 后端布局分析速度pipeline提升约20%。
  • 体验增强：
    • 内置即用型fastapi service和gradio webui。有关详细使用说明，请参阅文档。
    • 已适配sglang版本0.4.8，显著降低了后端 GPU 内存需求vlm-sglang。现在只需8GB GPU memory(Turing 架构或更新版本) 的显卡即可运行。
    • 为所有相关的命令添加了透明参数传递sglang，允许后端以与一致的方式sglang-engine接收所有参数。sglangsglang-server
    • 支持基于配置文件的功能扩展，包括custom formula delimiters、enabling heading classification和customizing local model directories。详细使用说明请参考文档。
  • 新功能：
    • 后端更新pipelinePP-OCRv5多语言文本识别模型，支持法语、西班牙语、葡萄牙语、俄语、韩语等37种语言的文本识别，平均准确率提升30%以上。详情
    • 在后端引入了对垂直文本布局的有限支持pipeline。

在1月10日的时候发布了第一个正式版1.0.1版。1.0.1版更新内容有：

引入了全新的API接口，并通过大量重构增强了兼容性，同时引入了全新的自动语言识别功能：

• 新的 API 接口
  • 对于数据端API，我们引入了Dataset类，旨在提供强大而灵活的数据处理框架。该框架目前支持多种文档格式，包括图片（.jpg和.png）、PDF、Word文档（.doc和.docx）和PowerPoint演示文稿（.ppt和.pptx）。它确保有效支持从简单到复杂的数据处理任务。
  • 对于用户端API，我们精心设计了MinerU的处理流程为一系列可组合的Stage，每个Stage代表一个具体的处理步骤，用户可以根据自己的需求定义新的Stage，并创造性地组合这些Stage来定制自己的数据处理流程。
• 增强兼容性
  • 通过优化依赖环境和配置项，保证在ARM架构Linux系统上稳定、高效的运行。
  • 与华为Ascend NPU加速深度融合，提供自主可控的高性能计算能力，支撑中国AI应用平台的本土化发展。Ascend NPU加速
• 自动语言识别
  • 通过引入新的语言识别模型，在文档解析时将配置设置lang为auto将自动选择合适的OCR语言模型，提高扫描文档解析的准确性。

2025年2月21日整合包更新内容

支持最新1.1.0版，此版本重点提升了解析准确率和效率：
模型能力升级（需要重新下载模型文件，以前的已不可用）
布局识别模型升级为最新的doclayout_yolo(2501)模型，提升布局识别准确率。
公式解析模型升级为最新的unimernet(2501)模型，提升公式识别准确率。
性能优化
在满足一定配置要求的设备上（16GB+VRAM），通过优化资源使用和重构处理流水线，整体解析速度提升50%以上。
解析效果优化

2025年2月27日整合包更新内容

1.2.0发布。此版本包括几个修复和改进，以提高解析效率和准确性：

性能优化

提高了自动模式下PDF文档的分类速度。

解析优化

改进了包含水印的文档的解析逻辑，显著提高了此类文档的解析结果。

增强了单个页面内多个图像/表格和标题的匹配逻辑，提高了复杂布局中图像文本匹配的准确性。

漏洞修补

修复了在某些情况下图像/表格跨度被错误地填充到文本块中的问题。

解决了某些情况下标题栏为空的问题。

1.2.1-1.3.10大量更新内容不再转述

1.3.12更新内容

• 增加ppocrv5模型的支持，将ch_server模型更新为PP-OCRv5_rec_server，ch_lite模型更新为PP-OCRv5_rec_mobile（需更新模型）
  • 在测试中，发现ppocrv5(server)对手写文档效果有一定提升，但在其余类别文档的精度略差于v4_server_doc，因此默认的ch模型保持不变，仍为PP-OCRv4_server_rec_doc。
  • 由于ppocrv5强化了手写场景和特殊字符的识别能力，因此您可以在日繁混合场景以及手写文档场景下手动选择使用ppocrv5模型
  • 您可通过lang参数lang='ch_server'(python api)或--lang ch_server(命令行)自行选择相应的模型：
    • ch ：PP-OCRv4_rec_server_doc（默认）（中英日繁混合/1.5w字典）
    • ch_server ：PP-OCRv5_rec_server（中英日繁混合+手写场景/1.8w字典）
    • ch_lite ：PP-OCRv5_rec_mobile（中英日繁混合+手写场景/1.8w字典）
    • ch_server_v4 ：PP-OCRv4_rec_server（中英混合/6k字典）
    • ch_lite_v4 ：PP-OCRv4_rec_mobile（中英混合/6k字典）
• 增加手写文档的支持，通过优化layout对手写文本区域的识别，现已支持手写文档的解析
  • 默认支持此功能，无需额外配置
  • 可以参考上述说明，手动选择ppocrv5模型以获得更好的手写文档解析效果

首先申请一个阿里云百炼的API KEY：https://bailian.console.aliyun.com/?apiKey=1#/api-key

API KEY为sk-开头的一串字符串，然后申请开通大模型：https://bailian.console.aliyun.com/#/model-market，选择一个你想使用的模型，鼠标放在【立即体验】四个字上方会出现开通提示，你点击去开通，开通了大模型使用权限你才可以通过API调用相关大模型

然后在软件API KEY输入框里填写你的阿里云百炼key点击设置就可以了。

要注意，通义千问在线大语言模型并不是完全免费的，是有一定的免费额度的，注意你的用量