ARTICLE · 1373819
Marker:四个模式跑同一份 PDF,差 20 分和 12 倍速度
每日开源 · 2026-11-18
Marker 是一个文档转换工具,把 PDF 和 Office 文件转成结构化 Markdown
Marker 是一个文档转换工具,把 PDF、图片、PPTX、DOCX、XLSX、HTML、EPUB 转成 Markdown、JSON、HTML 或分块文本。40,963 星、2,957 个 fork,2023-10-30 建库,最新版本 v2.2.0(2026-11-12);代码 Apache-2.0,权重用的是改良版 AI Pubs Open Rail-M。它值得看的地方不是「准」,是它给了四个可以横着比的模式——同一份 PDF,快的那档和准的那档能差出 20 分和十几倍速度。
先把对比的尺子摆出来
比较文档解析工具最容易吵架,因为大家用的题不一样。README 这次的基准是 OmniParseBench:16,288 个通过/不通过的单测,覆盖 2,937 页、92 种语言,分三块——文本与阅读顺序 8,499 条、表格单元格结构 5,386 条、版面块 2,403 条。另一套是 AllenAI 的 olmOCR-bench。
这两套题的意义不一样:前者测「结构对不对」,后者测「文字抄得准不准」。看到「85 分」先问一句是哪个题库。
而且所有对手的数字都是它自己跑的。它把口径写在 README 里,但这不改变一个事实:这是一场自己出题、自己监考的考试。 所以下面这些数字,当相对量看,别当绝对量用。
四个模式,一条曲线
| 模式 | 硬件 | 吞吐 | OmniParseBench | 场景 |
|---|---|---|---|---|
no_ocr |
仅 CPU | 57.0 页/秒 | 40.8(纯电子版文档 82.7) | 大批量电子版 PDF,只要版面与阅读顺序 |
fast |
CPU / MPS | 23.6 页/秒 | 71.0 | 笔记本、CI、无 GPU 容器 |
balanced |
GPU + CPU | 16.9 页/秒 | 80.5 | 混合负载(默认) |
vllm |
GPU | 4.5 页/秒 | 85.9 | 退化扫描件、密集公式、手写、复杂表格 |
翻译成一句话:速度从 57 页/秒掉到 4.5 页/秒,分数从 40.8 涨到 85.9。
注意 no_ocr 那一行的括号——40.8 的总体分是因为它完全不 OCR,遇到扫描页就等于放弃;但在纯电子版的多栏文档上,它能到 81 到 83 分。这个跨度说明:同一档配置的分数,取决于你的语料长什么样。 拿一个总分去选型,是最容易选错的方式。
真正值得注意的是 balanced 干了什么
balanced 是 GPU 上的默认档,吞吐 16.9 页/秒,分数 80.5。它的做法不是「用更大的模型」,是路由:
- 干净的拉丁文正文页:走
pdftext抽文本层 + 进程内的 Indra ONNX 做版面,不打 GPU - 公式、行内数学、复杂表格、中文等非拉丁文字、扫描或糊掉的页:转给 Surya 2.5 那个 0.69B 的 VLM
这个设计的价值在于:大多数真实 PDF 里,大部分页面是干净的。 全页 VLM 的代价是每一页都烧一遍 GPU,包括那些本来就带文本层的。路由等于只对难页付费。
README 拿它跟 PaddleOCR-VL-1.6(78.7)和 DeepSeek-OCR-2(75.2,3.4B)比,说在分数更高的同时吞吐高 14 到 21 倍。这个「倍数」能成立,靠的正是「不是每页都调模型」。
跟老朋友比:docling 与 MinerU
- 对
docling:balanced80.5 分对 67.5 分,吞吐 16.9 对 2.1 页/秒。README 说总分高 13 分,文本与数学部分高 34.8 分,速度是 8 倍。 - 对
MinerU 2.5-Pro:那套 0.54 页/秒,balanced是它的 31 倍;换成vllm档(85.9 分、4.5 页/秒),文本准确率 83.8 对 77.4,版面 95.7 对 91.7,吞吐 8.3 倍。
这两组数字放在一起看,能看出 Marker 的野心:它想证明的不是「我更准」,而是「准度和吞吐不该是二选一」。这也是 README 开头那句立论——不必在 VLM 级准确率和生产吞吐之间选,也不必为 GPU 和 CPU 各维护一套工具。
至于 CPU 那侧,它拿 liteparse(14.0 分、9.7 页/秒)和 Tesseract 5(5.9 分、2.9 页/秒)做对照,fast 档 71.0 分、23.6 页/秒。
装之前要知道的三件事
第一,CPU 路线不是「装上就行」。 除了 pip install marker-pdf(要转 Office 格式再加 [full]),CPU / Apple Silicon 上还得有 llama.cpp 的 llama-server——macOS 是 brew install llama.cpp,其他平台去 releases 拿。GPU 路线要 Docker 加 NVIDIA Container Toolkit。第一次用会自动拉起 Surya 推理服务。
第二,模式决定你等多久,也决定结果长什么样。 --mode 支持 no_ocr / fast / balanced / vllm,默认按设备来:GPU 上 balanced,CPU/MPS 上 fast。想调优不是换更贵的卡,是先搞清楚自己的语料里扫描页占多少。
第三,许可分两层。 代码 Apache-2.0,随便商用;模型权重是改良的 AI Pubs Open Rail-M,研究、个人、融资或营收 500 万美元以下的初创免费,再往上要走它的商业授权。 公司里用之前,先确认自己落在哪一档。
另外两个实用细节:marker_single 加 --stdout 可以直接把 Markdown 吐到管道里,适合喂给 Agent;marker_gui --port 8000 起一个本地查看器,能逐页看版面块、阅读顺序、各阶段耗时和最终输出。
还有一个坑值得提:--keep_server 不写,每次命令结束推理服务就关了,批量跑反而更慢。反过来批量的时候要留意它默认会自动算并发预算——父进程读服务端容量再分给 worker,别自己把 SURYA_INFERENCE_PARALLEL 写死。
一个容易被忽略的信号
README 顶部有一段:它家的托管平台用的是 Chandra,自家更新的开源模型,说准确率比 Marker 更高。也就是说 Marker 已经不是这条产品线的天花板,只是开源这部分的代表。
如果你要做的是「每月几万页」的生产管线,那么按页计费加零数据保留加 SOC 2 的托管服务,可能比自己维护 GPU 划算;如果页数不多、数据不能出门,就自己跑。这个判断它没替你做,我也不会替你做——但至少现在你知道开源版不是它家最新的一档。
判断
适合:要批量把文档转成结构化文本喂给模型的人;语料是混合的(电子版 + 扫描件 + 表格);以及需要在 CPU 上跑、又不想退到 Tesseract 那个精度的人。
不适合:只处理几十份 PDF 的个人——marker_single 跑一下就好,别为它搭 GPU。也不适合把 README 的分数当采购依据的团队:那是自测,你的语料会给出不同的排序。
真要选档,我的建议是从 fast 起步,抽 50 页自己比对,看差在哪儿,再决定要不要上 balanced。一上来就 vllm 是最贵的错。
数据截至 2026-11-18:40,963 stars / 2,957 forks / Python / v2.2.0。项目地址:https://github.com/datalab-to/marker ,代码 Apache-2.0,模型权重为改良版 AI Pubs Open Rail-M。
创作来源声明
本文由 AI 生成:选题、初稿、排版与封面均出自自动化流程。文中的项目信息、star 数、协议与版本取自 GitHub API 和项目官方仓库、官方文档,数据截至文末标注日期;官方口径的性能与效果描述已在正文中单独标注来源。文中不含作者实测数据,也未进行实际部署验证。
如有事实错误或版本过期,欢迎留言指出,我会核实后更正。















































































