Datalab представила Marker 2 — практически полную переработку своего конвейера конвертации документов. Инструмент превращает PDF, изображения, PPTX, DOCX, XLSX, HTML и EPUB в Markdown, JSON, HTML или чанки. Новая версия собрана из трёх обновлённых компонентов: Surya OCR 2, компактной модели разметки на 20 млн параметров и переписанного pdftext, который стал в 3 раза быстрее предшественника.
Как измеряли
За точность отвечает olmOCR-bench от Allen AI (Ai2) — 1403 PDF-файла, примерно 8400 тестов «сдал/не сдал». Проверяют рендеринг математики, структуру таблиц, порядок чтения, обработку колонтитулов и старых сканов. Итоговая оценка — макро-усреднение по восьми категориям.
Результаты
Marker 2 vs MinerU. Marker 2 в сбалансированном режиме набирает 76,0% против 72,7% у MinerU. На «рождённых цифровыми» PDF разрыв минимален: 83,5% против 83,3%. Решающий аргумент — пропускная способность: 2,9 страницы/с против 0,54 с/с на одном B200 GPU, то есть в 5,4 раза быстрее при более высоком качестве.
Marker 2 vs Docling. Docling (выходец из IBM Research, MIT-лицензия) показывает 50,3% на оверхоле и 64,0% на «цифровых» PDF при 2,1 страницы/с. Marker 2 обходит его с большим отрывом — 76,0% при 2,9 с/с. Сильная сторона Docling — форматная широта (аудио, email) и корпоративное управление, а не качество разбора PDF.
Marker 2 vs LiteParse. LiteParse (Rust, от команды LlamaIndex) — это про скорость, а не про качество. На CPU без OCR он показывает 20,4% и 1721 страницу/с. Marker 2 в CPU-режиме набирает 43,6% — более чем вдвое выше, хотя и всего 23,7 с/с.
Три режима Marker 2
Вместо одного конвейера Marker 2 предлагает три, которые переключаются автоматически в зависимости от доступного оборудования:
- balanced — Surya VLM для разметки, пере-OCR при плохом тексте. 76,0% на olmOCR-bench. Требует GPU.
- fast — лёгкий layout-детектор + pdftext, минимальное использование VLM. 66,6%.
- --disable_ocr — только текстовый слой, никаких VLM-вызовов, работает на CPU. 43,6%, 23,7 с/с.
Режим определяется автоматически: balanced на GPU, fast на CPU/MPS, переопределяется флагом --mode.
Лицензирование — важный нюанс
Код Marker 2 распространяется под Apache 2.0. Веса моделей — под модифицированной AI Pubs OpenRAIL-M: бесплатно для исследований, личного использования и стартапов с финансированием до $5 млн. Всё, что выше — коммерческая лицензия потребуется.
Для сравнения: Docling — MIT (наиболее свободная лицензия), MinerU — Apache 2.0 с ограничениями до $20 млн месячной выручки.
Кому это нужно
Marker 2 — инструмент не для обычного пользователя, а для тех, кто обрабатывает массивы документов: юридические фирмы, издательства, архивы, разработчики RAG-пайплайнов. Именно для них важен каждый процент точности на таблицах и математике, а пропускная способность определяет стоимость обработки. Сбалансированный режим Marker 2 вплотную приблизился к VLM-решениям вроде Gemini Flash 3.5 (76,0% против 76,4%), оставаясь на 0,4 позади — но не требуя оплаты за каждый вызов API.
Источник: marktechpost.com