1B 参数跑赢 72B VLM：MinerU PDF 转 Markdown 低显存完整指南-育师

1B 参数跑赢 72B VLM：MinerU PDF 转 Markdown 低显存完整指南

【免费下载链接】MinerUTransforms complex documents like PDFs and Office docs into LLM-ready markdown/JSON for your Agentic workflows.项目地址: https://gitcode.com/GitHub_Trending/mi/MinerU

把带公式和表格的 PDF 喂给 RAG，最怕转出来的 Markdown 排版散架、表格丢失，而大模型方案又常被显存劝退。MinerU 走的是另一条路：用 1B 级小模型配合模块化流水线做 PDF 转 Markdown 文档解析，最低 6G 显存、纯 CPU 也能跑，单页约 0.8 秒。下面从一条命令跑通讲起，顺带说清它为何能逼近 72B 大模型的效果，以及显存怎么选。

一条命令，先把 PDF 跑通

安装与环境准备

MinerU 提供全平台支持（Windows / Linux / macOS），用 uv 安装最省事：

uv pip install -U "mineru[core]" export MINERU_MODEL_SOURCE=modelscope

第二行是给国内用户的建议：把模型源切到 ModelScope，首次运行时会自动下载所需模型并走本地缓存，后续直接用缓存。模型源机制详见 docs/zh/usage/model_source.md。

解析一条命令，产出三种文件

mineru -p ./demo/pdfs/demo1.pdf -o ./output

输入可以是单个 PDF，也可以是目录。输出遵循标准化目录结构（详见 docs/zh/reference/output_files.md）：

*.md：按阅读顺序排好版的 Markdown，公式转 LaTeX、表格转 HTML
*.json：带坐标和语义信息的结构化数据，方便二次开发
images/：从文档中提取出的图片资源

示例文件可直接用仓库里的 demo/pdfs/demo1.pdf，一篇典型的学术论文，公式、跨页表格、图表都齐全。

1B 小模型凭什么打过大模型

答案不在"模型更大"，而在"分工更细"。72B 视觉大模型要靠一个模型端到端硬扛所有环节，而 MinerU 把解析拆成流水线，每个小模型只负责自己最擅长的一段。整体架构见 mineru/backend/pipeline/：

模块化流水线：每环节只干一件事

每个环节都能单独优化、单独升级，互不影响：布局检测模型在 mineru/model/layout/pp_doclayoutv2.py 中区分 25 类版面元素（页眉页脚、公式、表格、竖排文本、印章等），先框清楚"这是什么、在哪、按什么顺序读"；文字识别由 mineru/model/ocr/ 下的 PaddleOCR 系模型承担，OCR 支持 109 种语言；公式交给 mineru/model/mfr/unimernet/ 里的 Unimernet 转成 LaTeX；表格走 mineru/model/table/，针对无线表格的恢复准确率达 98.7%。

先看检测效果，再看识别结果

下面这张图就是真实检测输出：不同色块代表不同版面类型，右上角数字是阅读顺序，公式和表格被单独框出并转成 LaTeX。

跑 pipeline 后端还会额外产出 span 级别的可视化文件，方便排查文字丢失、行内公式识别等细节问题：

显存与效果：拿数据对照

后端怎么选，显存差多少

解析后端	硬件要求	适用场景
pipeline	纯 CPU 或 6G 显存 GPU	通用文档解析
vlm-transformers	8G 显存 GPU	复杂版式解析
vlm-vllm	10G 显存 GPU	批量处理任务

大多数普通用户用默认的 pipeline 后端就够了，消费级显卡甚至纯 CPU 都能驱动；文档量大、版式复杂时再上 VLM 后端。Docker 方式的一键部署见 docs/zh/quick_start/docker_deployment.md，Linux / WSL2 都支持。

速度、公式、表格的硬指标

单页 PDF 处理约 0.8 秒，传统 VLM 方案约 2.3 秒/页，整体快约 30 倍
复杂公式保留率 99.1%（传统工具约 92%）
跨页表格完整性 97.3%（传统工具约 68%），被截断的表格会自动拼接
最低 6G 显存即可运行

进阶玩法与生态

不想敲命令？起个网页界面

mineru-gradio --server-port 7860

启动 Gradio 可视化界面，浏览器里拖文件、看结果，适合先试效果再决定是否上生产，更多交互方式见 docs/zh/usage/quick_usage.md。

接入 RAG 与工作流

解析出的 Markdown/JSON 可以直接喂给 Dify、RAGFlow、FastGPT 这类知识库框架，仓库文档里按工具整理了接入步骤：

批量任务还可以走 vllm 后端做分布式推理：张量并行突破单卡显存限制、PagedAttention 管 KV 缓存，服务端实现在 mineru/cli/vlm_server.py，配合 docs/zh/usage/advanced_cli_parameters.md 里的--max-num-batched-tokens等参数在速度和精度之间做取舍。

换模型、改输出、多卡扩展

新增 OCR 模型：继承 mineru/model/utils/pytorchocr/base_ocr_v20.py 基类，扩展流程参考 docs/zh/quick_start/extension_modules.md
自定义输出格式：改 mineru/backend/pipeline/pipeline_middle_json_mkcontent.py 这一处
多卡 / 多服务部署：仓库内置mineru-router，接口与mineru-api兼容，支持任务自动负载均衡，入口在 mineru/cli/router.py