中文文档别直接塞进大模型

中文文档别直接塞进大模型

我最近把 PDF、扫描件先丢给 MinerU
它针对中文场景训过
表格、版面、公式能先收成 Markdown / JSON
再交给 LLM 读

省下的不只是耐心
是 Token 和幻觉空间
脏扫描件直接问
模型会拿版面噪声编答案

它还挺轻
8GB 内存的笔电也能跑
我的习惯很土
能本地预处理就不把原件整页塞进对话

先整理
再提问
这步比换模型划算

github.com/opendatalab/MinerU