MinerU: сканы и PDF в текст и таблицы, лицензия и железо

Гора сканов, в которой нельзя ничего найти

У юриста это папка отсканированных договоров. У бухгалтерии акты и счета одним файлом на сотню страниц. У логистики накладные и CMR, у производства паспорта на оборудование и спецификации. Всё лежит в PDF, и поиск по слову «неустойка» или номеру детали не находит ничего, потому что внутри картинка.

Облачные распознавалки справляются за минуты, но договоры и первичку заказчики туда отправлять не хотят. MinerU разбирает документы локально: на удалённый разбор файл уходит только при явном ключе --remote. Репозиторий opendatalab/MinerU на 29.10.2026 набрал около 82,8 тысячи звёзд.

Похожее у меня уже описано: Docling и PDF2MD. Здесь то, что решает, брать ли MinerU в работу: лицензия, железо, модели, пробелы.

Лицензия: что разрешено в коммерческой работе

В LICENSE.md сказано: MinerU распространяется под Apache License 2.0 с дополнительными условиями. До версии 3.1.0 от 18 апреля 2026 проект был под AGPLv3, это записано в его changelog. Если у заказчика стоит старая сборка, условия там другие.

Дополнительных условий три.

• Порог. Коммерческое использование без отдельной лицензии разрешено, пока вы вместе с аффилированными лицами не превысили 100 миллионов активных пользователей в месяц или 20 миллионов долларов месячной выручки. Выше нужна платная коммерческая лицензия от команды MinerU. Для малого бизнеса эти цифры недостижимы.
• Указание. Если вы оказываете третьим лицам онлайн-услугу на основе MinerU, нужно заметно написать в интерфейсе или в открытой документации, что используется MinerU.
• Прекращение. При нарушении любого из этих двух пунктов лицензия прекращается автоматически, без уведомления.

Как я читаю это для нашей работы. Установка на сервер или рабочую станцию заказчика, где он сам обрабатывает свои документы, онлайн-услуги третьим лицам не создаёт. Если мы поднимаем поиск по документам для клиентов самого заказчика через веб-интерфейс, строка про MinerU должна быть на видном месте. Это моё прочтение текста, юридическим заключением оно не является, в договоре я бы записал это отдельным пунктом.

Про модели. VLM MinerU2.5-Pro-2605-1.2B на Hugging Face помечена как Apache 2.0. В пакете ONNX-моделей README оговаривает, что остаются в силе лицензии вошедших в него исходных моделей (там детектор разметки, OCR и распознавание формул семейства PaddleOCR). Их лицензии по отдельности я не открывал. Платных модулей в документации нет.

Железо и GPU

Версия 4 делит разбор на четыре уровня: flash, basic, standard и advanced. Flash берёт текстовый слой готового PDF и офисные форматы, самый быстрый и самый слабый на сканах. Basic распознаёт текст, таблицы и формулы небольшими моделями. Standard и advanced добавляют языковую модель для сложной вёрстки, advanced тратит больше вычислений на тех же моделях.

Цифры из документации:

• basic на ONNX: около 0,8 ГБ моделей, от 2 ГБ памяти, работает на процессоре;
• standard и advanced на ONNX с llama.cpp: около 2 ГБ моделей, 8 ГБ памяти, процессор тянет, рекомендуется Vulkan;
• standard на PyTorch: 16 ГБ памяти и видеокарта с 8 ГБ и больше;
• вариант mineru[full] для высокой нагрузки: Linux или Windows, NVIDIA не старше архитектуры Volta, 8 ГБ видеопамяти, около 5 ГБ диска сверху.

Автовыбор уровней по процессору такой: 12 и больше логических ядер открывают standard, от 4 до 11 только basic, меньше 4 только flash. Авторы пишут, что 8 ГБ видеопамяти лишь точка отсчёта для планирования. Версия 4.1 использует видеокарты Intel, AMD и NVIDIA через ONNX, ускорение заявлено примерно в 2 или 3 раза к процессору. Docker-образ в документации описан только для NVIDIA. Требуется Python от 3.11 до 3.14.

Какие модели скачиваются и откуда

Пакеты малых моделей называются MinerU-4_models_onnx и MinerU-4_models_torch, плюс VLM MinerU2.5-Pro-2605-1.2B для standard. Источник задаёт параметр model.source: huggingface, modelscope, local или auto. Режим auto сначала пробует Hugging Face, а если тот недоступен, переходит на ModelScope. Те же пакеты зарегистрированы в обоих хранилищах.

Для закрытого контура это удобно. Модели можно скачать командой mineru-kit models download на любой машине, проверить models verify, перенести на сервер заказчика и включить источник local, тогда в интернет ничего не уходит. При проблемах с загрузкой документация советует HF_HUB_DISABLE_XET=1 или ModelScope. Открываются ли оба хранилища из России в конкретной сети, я не проверял.

Качество на русском и ограничения

Карточка VLM заявляет языки zh и en. В документации версии 4 списка языков распознавания нет. В ONNX-пакете лежат китайские модели PP-OCRv6. В записях о старых версиях 3.x были строки про русский: PP-OCRv5 на 37 языков и 109 языков в гибридном режиме, но потом английский и латиницу перенаправили на китайскую модель. Работает ли на русском скане, например с печатью и подписью поверх текста, надо смотреть на живых файлах. Я такой тест не запускал, поэтому цифр качества не даю.

Остальные ограничения.

• Версия 4.1 меняет API, старые клиенты на /v1/uploads перестают работать. Версию в проекте нужно фиксировать.
• Word, Excel, PowerPoint и EPUB локально разбираются только на уровне flash.
• Авторы пишут, что MinerU не RAG-фреймворк и не векторная база: поиск и ответы строятся поверх него отдельно.
• Телеметрию README описывает как анонимную и без содержимого документов, отключается командой mineru telemetry disable. Какое состояние стоит по умолчанию, я не проверял.

Активность высокая: версии 4.1.0 и 4.1.1 вышли 29.10.2026, всего с 23 сентября восемь релизов.

Что можно сделать уже сейчас

1. Возьмите 20 своих документов: чистые сканы, плохие копии, таблицы, страницы с печатями.
2. Посмотрите, что умеет ваш компьютер, командой mineru-kit hardware info --json.
3. Прогоните пачку через mineru-kit parse и сравните результат с оригиналом. Считайте ошибки в суммах, датах и номерах отдельно.
4. Если результат устроил, подключите папку к поиску и ИИ по документам: как это устроено локально.

Я собираю такой путь под ключ: установка на ваш сервер или станцию, обработка папки со сканами, проверка качества на ваших документах и поиск поверх результата. Подробности на странице RAG-систем, ориентиры по стоимости в прайсе.

Частые вопросы

Можно ли ставить MinerU клиенту и брать за это деньги?

По тексту LICENSE.md да, если у вас и у клиента нет оборотов выше порогов в 100 млн пользователей или 20 млн долларов в месяц. Если вы запускаете онлайн-услугу для третьих лиц, нужна заметная отметка, что используется MinerU. Это моё чтение текста, консультацией оно не является.

Нужна ли видеокарта?

Нет, basic и standard запускаются на процессоре через ONNX. Видеокарта ускоряет работу, когда документов много. Скорость я не мерил.

Нужна ли ручная сверка?

Да, выборочная: суммы, реквизиты и даты на плохих сканах.

Коротко о главном

MinerU подходит как локальная фабрика текста из сканов и PDF: лицензия допускает коммерческую работу с одним условием на онлайн-услуги, железо ему нужно скромное, модели можно перенести на закрытый сервер. Открыты два вопроса: как он читает ваши русские документы и как ведёт себя на пачке в тысячи страниц.

Если у вас есть архив сканов и вы хотите сначала проверить качество на своих файлах, напишите мне в Telegram и укажите кодовое слово «ИЗВЛЕЧЕНИЕ». Начну с тестового прогона на ваших документах.