MinerU 4.x 解析档位使用说明

[myhloli]

Tip

大多数 PDF / 图片解析任务，优先选择 standard。
注重 CPU 兼容性与资源消耗时选择 basic；只需要快速导出内容时选择 flash；当 standard 的结果明显无法满足要求时，再针对问题文档尝试 advanced。

1. 从多种解析模式，转向统一模型与四个档位

MinerU 4.x 不再沿用 3.x 中 pipeline、hybrid（medium / high）、vlm 等面向实现的命名方式，而是统一使用 mineru-版本号 的模型标识，通过四个解析档位（tier）选择不同的质量与成本取舍：

flash → basic → standard → advanced

这里的“单模型、多层级”指统一的产品入口与模型标识。内部仍会按档位组合原生解析规则、传统小模型和视觉语言模型（VLM）。用户选档时，主要需要考虑自己的质量要求、可用资源和等待时间。

可以将这四档粗略类比为常见 LLM 的推理等级：

MinerU 档位	推理投入类比	主要定位
flash	low	尽可能少做推理，快速取得内容
basic	medium	使用传统小模型，兼顾基础质量与设备兼容性
standard	high	结合小模型与 VLM，追求最佳解析性价比
advanced	max	投入更多 VLM 推理，尝试处理难例与特定需求

这个类比用于理解投入与取舍。通常，较低档位更快、消耗更少；提高档位可以增强复杂文档的处理能力，但解析精度不会随着档位提高而严格递增，尤其是从 standard 升到 advanced 时。

本文的四档比较主要面向 PDF 和图片。已支持的 Office 等非 PDF / 图片原生文档使用 flash 解析，其质量不能套用“低档位就是低精度”的理解。具体格式与入口规则见档位与运行环境。

2. 如何理解速度、精度与成本

下面用一张示意图说明四档的取舍，不进行真实跑分，也不与其他文档解析软件对比。

3. 为什么默认推荐 standard

standard 是我们推荐的日常解析档位，也是质量与成本之间的性价比甜点。 它的目标是在绝大多数场景中取得接近整页 VLM 解析的高精度，同时把资源和时间消耗控制在更接近 basic 的水平。

与带推理等级的 LLM 类似，最高档并不必然是默认推荐。OpenAI 的推理模型说明也建议根据具体任务评估更高推理等级的收益，确认其是否值得额外的延迟与成本。

对 MinerU 而言，不应预期 advanced 在大多数常见场景中都能明显超过 standard，更不应仅因为名称是“最高档”，就把所有任务都交给它。它的额外价值主要体现在某些边缘场景：当小模型的版面判断出现明显偏差时，VLM 更强的泛化能力可能带来改善，甚至直接解决问题。

如果您的目的是提高解析精度，建议只有在验收后认为 standard 的效果明显无法接受，并且愿意承担高得多的时间与计算成本时，才尝试 advanced。 先在出问题的页面上比较结果，确认确实改善后，再决定是否扩大使用范围。

如果需求本身包含图片描述或图表内容转述，也可以按功能需要选择 advanced，详见下文。

4. 各档位具体有什么区别

flash：以规则和原生内容提取为主

flash 的设计目标是尽可能使用确定性的规则与原生文档结构完成解析，减少模型推理。在扫描版 PDF、纯图片等无法直接取得可用原生文本的输入上，通过必要的 OCR 获取内容。

它主要面向两类任务：

• 解析已支持的 Office 等原生文档内容。
• 快速导出格式规整、文本层可用的数字版 PDF 内容，用于预览、检索或后续处理。

对于 PDF，flash 的定位是快速内容导出工具，不对版面分析（layout）和内容准确性作保证。 当阅读顺序、复杂公式、表格结构或内容完整性是关键要求时，建议使用 basic 或 standard 并验收结果。

basic：不依赖 VLM，重视 CPU 兼容性

basic 使用必要的传统计算机视觉（CV）小模型，完全不依赖 VLM。主要包括：

• Layout：版面检测与区域划分。
• MFR：数学公式识别。
• Table：表格识别与结构恢复。
• OCR：文字检测与识别。

它以 ONNX 等轻量运行方式覆盖广泛的 CPU 设备，适合资源有限、希望控制部署复杂度的场景。当前也支持 Torch 小模型后端；后端选择与 tier 是两个独立维度。

对于具有可用文本层的 PDF，basic 会尽可能提取内嵌的原生文本，减少不必要的 OCR 识别。

standard：把 VLM 用在更值得投入的环节

standard 的目标是最佳解析性价比：由小模型承担版面定位，在公式、表格以及需要识别的文字区域引入 VLM，改善传统小模型处理不好的复杂内容。

对于具有可用文本层的 PDF，它同样尽可能利用内嵌的原生文本，减少重复识别和不必要的模型生成。

它力求以接近 basic 的成本，取得接近传统整页 VLM 解析的精度。这里描述的是设计目标，具体耗时与收益仍由文档和运行环境决定。

如果没有明确的资源限制或特殊需求，从 standard 开始即可。

advanced：扩大 VLM 的参与范围，为难例投入更多计算

advanced 将更多解析环节交给 VLM，以更高的计算和时间投入尝试处理困难场景。它也会在可用时提取 PDF 内嵌的原生文本，尽可能降低模型生成带来的幻觉。

与 standard 最主要的区别，是 advanced 的版面分析也由 VLM 承担。 这会显著增加推理成本，但在部分极端版式或小模型判断失误的场景中，可能凭借 VLM 的泛化能力取得更好的结果。

此外，advanced 默认启用：

• 图片描述（image）：将图片内容转化为文字描述。
• 图表解析（chart）：尝试提取或描述柱状图、折线图等图表中的信息。

这些能力适合需要将视觉信息转为可检索、可描述文本的场景，但输出可能不准确，尤其需要核对图表中的数值与关系。这里的 chart 指数据图表，与 basic / standard 已支持的 table 表格解析不同。

advanced 与 standard 共用模型资源，切换档位不需要单独下载一套“Advanced 模型”。更多成本主要来自解析流程与 VLM 推理工作量的变化。

5. 实际使用建议

您的需求	建议起点
解析已支持的 Office 等原生文档	flash
快速导出数字版 PDF 内容，可以接受版面和内容误差	flash
CPU 设备为主，希望兼顾基础质量与较低资源消耗	basic
大多数 PDF / 图片，希望获得高质量结果	standard
standard 在特定文档上明显不达标，愿意增加成本尝试	advanced，先比较问题页
需要图片描述或 chart 图表内容转述	advanced，并人工核对输出

本地命令行可以通过 --tier 指定档位：

# 日常解析
mineru-kit parse input.pdf -o output-standard.md --tier standard

# 在 standard 的结果无法接受时，尝试 advanced 并保留两份结果
mineru-kit parse input.pdf -o output-advanced.md --tier advanced

排查具体页面时，可以为两条命令同时加上 --pages 3，先比较第 3 页，减少无关页面的处理成本。

使用 API 或 WebUI 时，可选档位以服务实际开放的能力为准。auto 表示自动选择策略，不是第五个解析档位；服务端是否开放 advanced 与每次请求选择哪个档位是两件事。

验收时，建议重点检查正文是否缺漏、阅读顺序是否正确、公式是否保真，以及表格的行列关系是否完整。如果切换 advanced 后仍然不能满足要求，欢迎提交原始样例或最小复现文件，并提供 MinerU 版本、所用档位、问题页码、实际输出与期望结果，帮助我们定位问题。