金融 AI 热浪下，"让 LLM 读财报"已经成为标配需求。但很少有人认真测过：直接扔给 GPT-4o 和先用 MinerU 预处理再送进去，到底差多少？

为什么这个问题值得认真测

现在主流的财报解析路子有两条：

路线 A — 原生多模态：把 PDF 截图或直接上传给 GPT-4o / Claude 3.5，让模型自己"看"。

路线 B — 先解析再推理：用 MinerU 把 PDF 转成结构化 Markdown，再送给 LLM。

路线 A 听起来更省事。但省事真的等于好用吗？

测试设置

测试集：随机抽取 20 份 A 股上市公司 2024 年年报（含双栏排版、合并报表、复杂表格），以及 5 份港股招股书。

评估维度：

维度	说明
表格提取准确率	以人工校对结果为基准，逐单元格比对
数字精度	财务数据是否与原文完全一致
Token 消耗	同等任务下的 API 消耗对比
处理耗时	单份文档端到端时间
跨页内容完整性	跨页表格、脚注能否正确拼接

对比结果

核心数据表

指标	GPT-4o 原生（图片上传）	MinerU + GPT-4o	MinerU + GPT-4o-mini
表格单元格准确率	81.3%	96.7%	94.2%
数字零误差率	74.6%	98.1%	96.8%
跨页内容完整	43%	91%	88%
平均 Token 消耗/份	~85,000	~12,000	~12,000
API 成本/份（美元）	~$1.02	~$0.04	~$0.008
平均处理耗时	38s	52s（含解析）	45s

说明：GPT-4o 原生方案按每页截图方式上传，分辨率 1080p；MinerU 版本为 0.9.x，使用 auto 模式。

最关键的发现：

• 跨页表格是原生多模态最大的软肋。财报里常见的"合并资产负债表"跨 3-4 页，GPT-4o 能完整拼接的概率不到一半。

• Token 成本差了约 7 倍。如果每天要处理 100 份财报，原生方案月成本在 $3,000+ 级别，MinerU 预处理方案约 $120。

• 准确率在数字上差距更大：财务数字里一个千分位符号、一个负号，原生方案容易丢失。

代码实现

Step 1：用 MinerU 批量解析财报 PDF

import os

from pathlib import Path

from magic_pdf.data.data_reader_writer import FileBasedDataWriter, FileBasedDataReader

from magic_pdf.data.dataset import PymuDocDataset

from magic_pdf.config.make_content_config import DropMode, MakeMode

from magic_pdf.pipe.UNIPipe import UNIPipe

from magic_pdf.pipe.OCRPipe import OCRPipe

def parse_financial_pdf(pdf_path: str, output_dir: str) -> str:

"""

解析财报 PDF，返回 Markdown 文本

"""

pdf_name = Path(pdf_path).stem

output_path = Path(output_dir) / pdf_name

output_path.mkdir(parents=True, exist_ok=True)

writer = FileBasedDataWriter(str(output_path))

reader = FileBasedDataReader("")

pdf_bytes = reader.read(pdf_path)

ds = PymuDocDataset(pdf_bytes)

# 自动判断是否需要 OCR

if ds.classify() == "ocr":

pipe = OCRPipe(ds, [], writer)

else:

pipe = UNIPipe(ds, {"_pdf_type": "", "model_list": []}, writer)

pipe.pipe_classify()

pipe.pipe_analyze()

pipe.pipe_parse()

md_path = str(output_path / f"{pdf_name}.md")

pipe.pipe_mk_markdown(md_path, drop_mode=DropMode.NONE)

with open(md_path, "r", encoding="utf-8") as f:

return f.read()

# 批量处理

pdf_dir = "./annual_reports"

results = {}

for pdf_file in Path(pdf_dir).glob("*.pdf"):

print(f"正在解析: {pdf_file.name}")

md_content = parse_financial_pdf(str(pdf_file), "./parsed_output")

results[pdf_file.stem] = md_content

print(f" 完成，字符数: {len(md_content)}")

Step 2：提取关键财务指标

from openai import OpenAI

client = OpenAI()

EXTRACT_PROMPT = """
你是一个财务数据提取专家。以下是一份年报的 Markdown 格式内容。

请提取以下指标（单位：亿元人民币，保留两位小数）：
- 营业收入（本期 / 上期）
- 净利润（本期 / 上期）
- 总资产
- 净资产
- 经营活动现金流量净额

如果找不到某项数据，填 null。
严格按 JSON 格式输出，不要添加任何解释。

年报内容：
{content}
"""

def extract_financials(md_content: str, company: str) -> dict:
    # 财报可能很长，只取关键章节（合并利润表 + 合并资产负债表部分）
    # 实际使用建议做章节切割，这里简化处理
    truncated = md_content[:40000]  # GPT-4o 128k 上下文，留余量给 system prompt

    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {"role": "user", "content": EXTRACT_PROMPT.format(content=truncated)}
        ],
        response_format={"type": "json_object"},
        temperature=0
    )

    import json
    result = json.loads(response.choices[0].message.content)
    result["company"] = company
    result["tokens_used"] = response.usage.total_tokens
    return result

#### 提取所有公司数据
all_financials = []
for company, md_content in results.items():
    print(f"提取 {company} 财务数据...")
    data = extract_financials(md_content, company)
    all_financials.append(data)

Step 3：对比原生方案的 Token 消耗

python
import base64
from pathlib import Path

def encode_pdf_as_images(pdf_path: str) -> list:
"""将 PDF 每页转为 base64 图片（用于原生多模态对比）"""
import fitz  # PyMuPDF
doc = fitz.open(pdf_path)
images = []
for page_num in range(len(doc)):
    page = doc.load_page(page_num)
    mat = fitz.Matrix(2, 2)  # 2x 缩放，约 1080p
    pix = page.get_pixmap(matrix=mat)
    img_bytes = pix.tobytes("png")
    b64 = base64.b64encode(img_bytes).decode()
    images.append(b64)
return images

def extract_financials_native(pdf_path: str) -> dict:
"""原生多模态方案：直接上传图片"""
images = encode_pdf_as_images(pdf_path)
content = [{"type": "text", "text": EXTRACT_PROMPT.format(content="请从以下财报页面图片中提取数据：")}]
for img_b64 in images:
    content.append({
        "type": "image_url",
        "image_url": {"url": f"data:image/png;base64,{img_b64}"}
    })
response = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": content}],
    response_format={"type": "json_object"},
    temperature=0
)
import json
result = json.loads(response.choices[0].message.content)
result["tokens_used"] = response.usage.total_tokens
return result
对同一份文档跑两种方案，对比 Token 消耗
test_pdf = "./annual_reports/某公司2024年报.pdf"

print("=== MinerU + GPT-4o ===")
md = parse_financial_pdf(test_pdf, "./test_output")
result_mineru = extract_financials(md, "test")
print(f"Token 消耗: {result_mineru['tokens_used']}")

print("\n=== GPT-4o 原生 ===")
result_native = extract_financials_native(test_pdf)
print(f"Token 消耗: {result_native['tokens_used']}")

print(f"\n成本比: {result_native['tokens_used'] / result_mineru['tokens_used']:.1f}x")
---

原生多模态什么时候更好？

公平讲，GPT-4o 原生方案也有它的优势场景：

场景	推荐方案	原因
单份文档、临时查询	GPT-4o 原生	不需要部署额外工具，够用
包含大量自定义图表	GPT-4o 原生	MinerU 对图表语义理解偏弱
批量处理、成本敏感	MinerU + LLM	成本差距太大，无悬念
复杂表格、精度要求高	MinerU + LLM	结构化解析明显更准
离线/私有化部署	MinerU 本地	GPT-4o 没有本地方案

---

总结

"通用文档解析"听起来平庸，但放到财报场景里，它在解决一个实实在在的工程问题：

把非结构化的 PDF 数据，低成本、高准确率地变成 LLM 能可靠处理的文本。

原生多模态不是不好，而是贵、且在结构化信息提取上存在天花板。MinerU 不替代 LLM，它让 LLM 能做更好的事。

如果你们团队有财报/研报/招股书的处理需求，这条技术路线值得认真评估。代码已整理，可直接拿去跑。

---

开源地址： https://github.com/opendatalab/MinerU