核心结论先说： 主流大模型原生解析 PDF，处理一份 100 页财报要消耗 6 万12 万 token，成本 0.32.5。MinerU 预处理之后，同样的任务压缩到 8,00015,000 token，而且 MinerU 本身完全免费。
一、主流方案的真实 Token 账单
先把市面上主流的「PDF 解析」路线梳理清楚，再看成本。
以一份 100 页 A 股年报（含大量表格、双栏排版）为基准测试对象：
| 方案 | 解析方式 | Token 消耗/份 | 单价参考 | **成本/份** | | --- | --- | --- | --- | --- | | GPT-4o 原生（图片上传） | 每页截图 → Vision | ~110,000 | 0.55 | | Claude 3.5 Sonnet 原生 | PDF 直传 | ~95,000 | 0.29 | | Gemini 1.5 Pro 原生 | PDF 直传 | ~80,000 | 0.28 | | Azure Document Intelligence | 专用 OCR API | 按页计费 | 1.00 | | MinerU + GPT-4o | 本地解析 → Markdown → LLM | ~12,000 | 0.06 | | MinerU + GPT-4o-mini | 本地解析 → Markdown → LLM | ~12,000 | 0.002 | | | | | | |
Token 数据来源：实测 20 份真实年报取均值；大模型单价参考 2025Q4 官网定价。
一句话结论： 用 MinerU 预处理之后，喂给 LLM 的 token 量降低 7~9 倍，成本降低 90%+。
二、为什么原生多模态这么"贵"？
根本原因是图片 token 的计价逻辑。
以 GPT-4o 为例，一张 1080p 图片消耗约 765~1,105 token，100 页 PDF = 100 张图片 = 10 万+ token 起步，还没加上你的 prompt。
# GPT-4o 图片 token 计算公式（官方）
tiles = ceil(width/512) * ceil(height/512)
tokens = 85 + 170 * tiles
# 1080p 图片（1920x1080）
tiles = 4 * 3 = 12
tokens = 85 + 170 * 12 = 2,125 tokens/张
# 100 页 PDF = 212,500 tokens（仅图片部分）
Claude 和 Gemini 虽然支持原生 PDF 直传，省去了截图步骤，但底层同样是把每页渲染成视觉 token 处理，本质开销没有减少。
MinerU 做的事情是：在进 LLM 之前，把「视觉信息」转换成「文本信息」。文本 token 的信息密度远高于图片 token，同样的内容，文本表达只需要图片的 1/7~1/10 的 token 量。
三、精度对比：省钱的同时，准不准？
Token 少了，但有没有丢信息？重点测了最容易出错的两类内容：
表格提取准确率（以人工校对为基准）：
| 方案 | 简单表格 | 合并单元格 | 跨页表格 | 嵌套表格 | | --- | --- | --- | --- | --- | | GPT-4o 原生 | 94% | 81% | 43% | 67% | | Claude 3.5 原生 | 92% | 78% | 51% | 63% | | Gemini 1.5 原生 | 90% | 76% | 48% | 61% | | MinerU + 任意 LLM | 98% | 95% | 91% | 89% | | | | | | |
跨页表格是原生多模态最明显的短板——它"看"每一页时是孤立的，不知道上一页的表格还没结束。MinerU 的版式分析模型会先识别整份文档的结构，再做内容提取，跨页拼接准确率高出近 2 倍。
四、MinerU 本身免费，生态还在快速扩张
MinerU 是上海人工智能实验室开源的项目，Apache 2.0 协议，永久免费，没有调用限制，没有云端依赖。
现在围绕它已经形成了一套可以直接用的工具链：
① MinerU MCP Server — 让 AI Agent 直接调用
# 安装 MCP Server
pip install mineru-mcp
# Claude Desktop 配置（claude_desktop_config.json）
{
"mcpServers": {
"mineru": {
"command": "mineru-mcp",
"args": ["--host", "localhost", "--port", "8080"]
}
}
}
配置完成后，Claude / Cursor / Cline 可以直接说：
"帮我解析这份财报，提取所有财务指标" ——Agent 自动调用 MinerU，拿到结构化 Markdown 再做分析。
② 命令行批处理 — 一行命令处理整个文件夹
# 安装
pip install mineru
# 批量解析（支持 PDF / 图片）
mineru -p ./annual_reports/ -o ./parsed/ -m auto
# 参数说明
# -m auto : 自动判断是否需要 OCR
# -m ocr : 强制走 OCR（扫描件）
# -m txt : 纯文本 PDF，跳过视觉模型，速度最快
③ Python SDK — 嵌入自己的 pipeline
from magic_pdf.pipe.UNIPipe import UNIPipe
from magic_pdf.data.data_reader_writer import FileBasedDataWriter, FileBasedDataReader
from magic_pdf.data.dataset import PymuDocDataset
def parse_to_markdown(pdf_path: str) -> str:
reader = FileBasedDataReader("")
pdf_bytes = reader.read(pdf_path)
ds = PymuDocDataset(pdf_bytes)
writer = FileBasedDataWriter("./output")
pipe = UNIPipe(ds, {"_pdf_type": "", "model_list": []}, writer)
pipe.pipe_classify()
pipe.pipe_analyze()
pipe.pipe_parse()
pipe.pipe_mk_markdown("./output/result.md")
with open("./output/result.md") as f:
return f.read()
# 拿到 Markdown 后，送给任意 LLM
md_content = parse_to_markdown("./report.pdf")
④ RAG 直通车 — 解析结果直接入向量库
from langchain.text_splitter import MarkdownHeaderTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
#### MinerU 输出的 Markdown 天然适合按标题切块
splitter = MarkdownHeaderTextSplitter(
headers_to_split_on=[
("#", "H1"), ("##", "H2"), ("###", "H3")
]
)
md_content = parse_to_markdown("./annual_report.pdf")
chunks = splitter.split_text(md_content)
#### 入库
vectorstore = Chroma.from_documents(
documents=chunks,
embedding=OpenAIEmbeddings(),
persist_directory="./chroma_db"
)
print(f"入库完成，共 {len(chunks)} 个 chunk")
五、什么时候不用 MinerU？
临时查一份文档：不想装环境，直接上传给 Claude / ChatGPT，够用
文档里有大量自定义图表：MinerU 会提取图表为图片，但图表里的数字含义
六、总结：选它的三个理由
① 免费且可本地部署。 数据不出机器，没有并发限制，没有月费。
② Token 成本降 90%。批量处理时这个差距会被指数级放大——每天 1,000 份文档，一年省下来是真金白银。
③ Agent 生态完备。MCP Server、CLI、Python SDK、RAG 集成，现在主流的 AI 工作流都能无缝接入。
文档解析这件事，MinerU 已经把该踩的坑踩完了，直接用就好。
开源地址： github.com/opendatalab…
