Datalab Marker v2 vs MinerU、Docling 和 Liteparse：基准测试对比

Datalab 发布了 Marker 2，这是其开源文档转换管道的完全重写版本。Marker 可将 PDF、图像、PPTX、DOCX、XLSX、HTML 和 EPUB 文件转换为 Markdown、JSON、HTML 或分块文本。Datalab 团队围绕此前数月发布的三个组件重建了该管道：Surya OCR 2、一个 2000 万参数的快速布局模型，以及一个速度提升 3 倍的重构 pdftext。

主要结果来自 Allen AI 的第三方基准测试 olmOCR-bench。Marker 2 的平衡模式整体得分 76.0%，在纯数字 PDF 上得分 83.5%。在单块 B200 GPU 上，其持续吞吐量达到 2.9 页/秒。这比 MinerU 管道后端的 5 倍以上（MinerU 得分 72.7%，速度 0.54 页/秒）。在同一测试中，Docling 得分为 50.3%，速度为 2.1 页/秒。

Marker 2 的新特性包括三种转换模式：平衡模式（使用 Surya VLM 处理布局，并在嵌入文本质量差时重新 OCR，质量最高，依赖 GPU）、快速模式（使用轻量级 rf-detr/onnx 布局检测器和 pdftext，极少使用 VLM，成本更低）以及禁用 OCR 模式（纯文本层提取，完全在 CPU 上运行）。模式现在默认根据设备选择：GPU 上使用平衡模式，CPU/MPS 上使用快速模式，可覆盖。全面 CPU 支持是第二个结构性变化：快速禁用 OCR 模式无需 GPU 和推理服务器，2000 万参数的布局模型仍在 CPU 上读取列、表格和标题。

第三个变化是架构性的，也是产生高吞吐量的原因：多个轻量级 CPU 工作进程共享一个 Surya 推理服务器。父进程在它们之间平衡 VLM 并发，因此吞吐量随服务器容量扩展，而不是受限于每进程的 VRAM。Datalab 报告称，平衡模式在相同硬件上持续吞吐量约为 2.9 页/秒，而单流速率约为 0.3 页/秒。

升级前需要注意一些重大变更：现在需要 Python 3.10+；打包从 Poetry 迁移到 uv，使用 hatchling 作为构建后端，但 pip install marker-pdf 保持不变；移除了结构化提取转换器和提取器，Datalab 建议用户使用托管 API 或 –use_llm 工作流。

在对比中，olMOCR-bench 来自 Ai2，包含 1403 个 PDF 和约 8400 个通过/失败单元测试，涵盖数学渲染、表格结构、阅读顺序、页眉页脚和旧扫描。整体得分是 8 个类别的宏平均值。吞吐量是在单块 B200 主机上的持续并发页/秒，而非单流延迟。需要注意的是，所有这些分数和吞吐量数据均来自 Datalab 自己的运行，可通过 Marker 仓库中的开源测试工具重现。

与 MinerU 相比，Marker 平衡模式领先 76.0% 对 72.7%。在纯数字文档上两者几乎持平：83.5% 对 83.3%。差距在于吞吐量：Marker 平衡模式 2.9 页/秒对比 MinerU 的 0.54 页/秒，差距达 5.4 倍。Marker 快速模式速度达 7.4 页/秒，约为 MinerU 的 13.7 倍，但得分低 6.1 个百分点。MinerU 还有一个 VLM 后端，得分更高，但未包含在此表中。

与 Docling 相比，差距最大。Marker 平衡模式整体领先 76.0% 对 50.3%，纯数字文档 83.5% 对 64.0%，同时速度更快：2.9 页/秒对 2.1 页/秒。Docling 的优势在于治理和格式广度：MIT 许可证，源于 IBM 研究院，托管于 LF AI & Data 基金会，输入格式包括音频和电子邮件。

与 LiteParse 相比，LiteParse 是 Rust 编写的文档解析器，不直接竞争。在 CPU 上，关闭 OCR 时 LiteParse 得分 22.4%，Marker 的 CPU-only 模式得分 43.6%。但 LiteParse 关闭 OCR 后速度达 1721 页/秒，约为 Marker CPU 模式的 73 倍。Marker 的快速禁用 OCR 模式在 CPU 上运行 2000 万参数的布局模型，因此得分是纯文本转储的两倍以上，而 LiteParse 没有布局模型，在非线性内容上表现不佳。

与全页 VLM 层级相比，Datalab 强调 Marker 是管道而非 VLM。他们托管的 Chandra 2 得分 85.8%，Gemini Flash 3.5 通过 API 得分 76.4%。Ai2 的 olmOCR 2 得分 82.4%，dots.ocr 1.5 得分 83.9%。对于扫描件、数学密集页面和最高准确率，VLM 层级仍然优于所有列出的管道。但 Marker 的平衡模式将性能差距缩小到仅落后 Gemini Flash 3.5 0.4 个百分点，并在纯数字文档上以 83.5% 对 79.1% 胜出，且无需每页 API 调用。

按类别看，模式选择改变失败特征。数学是尖锐边缘：快速模式从 PDF 文本层读取方程式而非 VLM-OCR，因此 arXiv 数学从 83.9 降至 23.4，禁用 OCR 模式得分为 0.0。除数学外，旧扫描在每个模式中都是最弱项，最高 43.2%。

许可证方面，四个系统差异显著：Marker 代码为 Apache 2.0，模型权重使用修改后的 AI Pubs OpenRAIL-M 许可证——研究、个人使用和融资/收入低于 500 万美元的初创公司免费，商业使用需付费。MinerU 现在使用基于 Apache 2.0 的 MinerU 开源许可证，月活跃用户超过 1 亿或月收入超过 2000 万美元需商业许可证，基于其构建的在线服务必须披露。Docling 是 MIT 许可证，模型许可证单独追踪。LiteParse 开源，LlamaParse 是付费云路径。

关键要点：Marker 2 平衡模式在 olmOCR-bench 上得分 76.0%，速度 2.9 页/秒，是 MinerU 管道吞吐量的 5 倍以上；在准确率和速度上均击败 Docling；LiteParse 以结构换速度；快速模式可完全在 CPU 上运行，速度 23.7 页/秒；许可证方面 Docling 最宽松，MinerU 和 Marker 有商业限制。所有基准测试和吞吐量数据均附带可重现的测试工具。