PDF 转 Markdown 别只盯 MinerU 了!Marker 2 上了三档:有显卡又快又准,没显卡也能跑

摘要

1做 RAG 或知识库的人应该都懂：把乱七八糟的 PDF（扫描件、论文、财报、PPT）干净地转成 Markdown，往往是整个流程里最不起眼、却最容易翻车的“第一道坎”。最近 Datalab 把他们在 GitHub 上养了快两年的开源项目 Marker 全面重写，推出了 Marker 2。先把前提说清楚：下面的分数和吞吐都来自 Datalab 在 olmOCR-bench 上的官方自测，硬件和测试子集未必跟其他厂商完全对齐，仅供参考。在这套测试里，有显卡时走 balanced 模式，总分 76.0%、吞吐 2.9 页/秒，同场的 MinerU 拿到 72.7% 但只有 0.54 页/秒——准确率更高，速度快了 5 倍多；没显卡时还有 fast 和 --disable_ocr 两档能纯 CPU 跑。换句话说，Marker 2 把“要质量”和“要省硬件”拆成了不同档位让你按情况挑，而不是一个模式包打天下。

🗣️ 说人话：以前把 PDF 转成可用的纯文本不是慢就是错，Marker 2 的 balanced 模式把速度和准确率都往上提了一档；没显卡时还有 fast 和纯 CPU 档能顶上，只是准确率会相应下降。

1先给一个简洁的定位：Marker 2 是一个把 PDF、DOCX、PPTX、XLSX、HTML、EPUB 等文档转成 Markdown、JSON、HTML 甚至可直接喂给 RAG 的“块”（chunks）的命令行工具。它在 GitHub 上已经攒了超过 37,000 颗星，是文档解析赛道里的主流开源项目之一（注意：代码开源，但模型权重对中大型商业主体另有授权限制，详见后文）。这次的 v2.0.0 不是小补丁，而是对底层引擎的彻底重写：换了新的 OCR 模型（Surya OCR 2）、新的布局模型、新的文本提取库，从架构层面实现了三种明确的质量与速度档位，让选型不再靠蒙。

🗣️ 说人话：你可以把 Marker 2 理解成一个“文档格式解码器”——把各种格式的原始文档解析成结构化的 Markdown 或纯文本，方便大模型和 RAG 系统直接消费，一次性给了三档（极速扫描、平衡、精解）。

1这次重写的灵魂，是 Datalab 围绕不同硬件条件和文档质量，给出的 三种转换模式。它们不是简单的参数开关，而是从模型调用到底层文本提取全面切换的完整策略路线。下面按“什么文档 + 什么硬件 → 选哪个模式”的逻辑拆开说，方便你直接对号入座。

3.1 Balanced 模式：GPU 上的最高质量档位 这是 Marker 2 的门面模式，使用 Surya OCR 2 的完整视觉能力，在 olmOCR‑bench 综合得分为 76.0%，2.9 页/秒的吞吐在本轮官方自测的参测开源方案里，同时取得了最高综合分与最快吞吐（注意：这是 olmOCR-bench 单一基准、单一硬件下的成绩，未必代表你自己的文档）。该模式下，Marker 会先读取 PDF 自带的文本层，只在表格检测置信度低、遇到扫描图片或者公式密集的区域才调用 VLM 级 OCR 引擎进行补强——也就是后文要说的“选择性 OCR”。

如果你的服务器或开发机上有 GPU（哪怕是一张消费级显卡），处理的文档大多是扫描版合同、学术论文、图表密集的研报，而且对最终 Markdown 的版面还原要求很高，那 balanced 就是首选。用白话讲，它给你的是“在 bench 测试下版面还原质量很高、能直接当喂给大模型的高质量初稿”的级别——但 76% 意味着还有约四分之一的偏差，关键业务场景仍建议加一道人工抽检。

🗣️ 说人话：有显卡、文档烂、要求高——选 balanced。这是 Marker 2 最能打的模式。

3.2 Fast 模式：CPU/GPU 通吃的性价比甜点 fast 模式总分为 66.6%，但它在 GPU 和 CPU 上都能跑，不需要专门的推理服务。对于版面还原要求不极致、以纯文本召回为主的内部报告或说明书，fast 可能在成本和效果之间提供一个可接受的折中——不过 66.6% 意味着约三分之一的版面信息可能有偏差，要求高的场景还是要回到 balanced。

🗣️ 说人话：你的文档不是太变态、预算也确实紧张，fast 模式就是那个“够用且不贵”的甜点方案。

3.3 纯 CPU 无 OCR 模式：速度狂魔 当你在没有任何推理服务（也不打算装）的纯 CPU 环境下，只要加上 --disable_ocr，Marker 2 可以直接跳过所有模型调用，只靠 pdftext 提取文本层和布局信息，吞吐量飙升到 23.7 页/秒，虽然总分降到 43.6%，但对于 born‑digital 的纯文字 PDF（比如导出的 Word 文档、数字化报告），这类文档本就不含扫描图、无需 OCR 介入，反而能让你用极低的算力处理海量文档（注意：如果文件里夹了扫描页或嵌入图片，这个模式会直接跳过视觉内容，用之前先确认文档构成）。

🗣️ 说人话：如果你有一大堆本来就是电子版、没有扫描图的 PDF，这个模式能让一台普通服务器每秒处理近 24 页，纯 CPU 批量预处理海量文档绰绰有余。

1把 Marker 2 放到整个开源工具链里看，结论会更清晰：MinerU 在以往部分社区评测里曾被很多人当作选型时的“保底答案”，因为它对扫描件的版面还原有口碑；但这次在统一基准 olmOCR‑bench 上，MinerU 得分 72.7%，而吞吐只有 0.54 页/秒，意味着同样处理 100 页的扫描件，Marker 2 的 balanced 模式大约 34 秒能跑完，MinerU 要花 3 分钟以上。Docling 在本次评测里得分 50.3%，虽然吞吐也有 2.1 页/秒，但准确率明显掉队；LiteParse 在 CPU 上跑出了恐怖的 1721 页/秒（它根本不做版面分析），代价是总分只有 20.4%，更适合那种“我只管把字全捞出来”的轻量场景。

如果把视线抬高到付费 VLM 方案：基于 Chandra VLM 的 pipeline 得分 85.8%，Gemini Flash 3.5 得分 76.4%——比 Marker 2 的 balanced 只高了 0.4 个百分点，但前者要按页付费。一个开源、可本地部署、一次部署即可持续运行的项目，能在准确率总分上和按调用次数计费的头部 VLM（如 Gemini Flash 3.5）几乎打平，这种表现说明它在官方测试条件下的解析精度已经逼近头部 VLM；再叠加本地部署的固定成本和可控延迟，综合性价比在不少场景下相当能打。不过要把这个分数差距完全归因于“选择性 OCR”架构，目前还缺消融实验和第三方独立复现来坐实——架构选型是合理推断，但不是已被证明的因果。

🗣️ 说人话：同场竞技，Marker 2 比 MinerU 快 5 倍还更准，比 Docling 准一大截，比付费 VLM 也只差了一根头发的分数，但不用按页刷卡。

1那它凭什么能在 GPU 上又快又准、同时还给出一个纯 CPU 也能跑的高性价比选项？核心在于 Datalab 针对不同硬件条件，把 pipeline 做成了分层的三档，每一档都换了更轻、更专的组件：第一，Surya OCR 2——一个 650M 参数的多语言 OCR 模型，官方称其内部文本行识别测试为 83.3%（注意：这是内部指标，和 olmOCR-bench 综合分不是同一维度，不能直接换算），专门从扫描件里捞字；第二，一个只有 20M 参数的轻量布局模型，负责判断段落、表格、公式的边界，计算量极低；第三，文本提取后端从旧方案换成 pdftext，纯文本层抽取速度提升了 3 倍。这三个组件叠加在一起，再配上 多 worker 共享单个推理服务的并发架构，Marker 2 可以做到同一块 GPU 上多个文档并行解析，推理等待时间被摊薄，最终表现为页均处理时间大幅下降。

🗣️ 说人话：它不是把大模型整页整页地喂，而是只把最难啃的部分（比如糊掉的扫描页、公式）交给 OCR 模型，其他部分直接读文本层——所以同一块 GPU 能并行啃更多文档，算力花在了真正需要的地方。

1实操层面，Marker 2 保持了命令行工具的极简作风。安装：pip install marker-pdf。单文件转换：marker_single /path/to/file.pdf /path/to/output，默认走 balanced。想切成 fast 模式只需要 --mode fast。纯 CPU 无 OCR 则是 --disable_ocr。批量处理：marker /path/to/input_dir /path/to/output_dir --workers 4。尤其对 RAG 用户友好的是 --output_format chunks，它可以直接把解析结果切成语义块喂给向量数据库或大模型，把“转 Markdown”和“分块”合并成一步，减少了中间的手工处理（复杂排版仍建议抽检，并没有完全省掉人工）。如果对表格或特殊领域有更高要求，还能通过 --use_llm 引入外部 LLM（官方支持 Gemini、Claude、OpenAI 兼容、Ollama 等，比如本地部署的 Qwen 或线上的商业大模型）对关键区域做二次校对，相当于给 Marker 2 的外壳再加一层可配置的外部 LLM 后处理校对。

🗣️ 说人话：三行命令就能把一整批 PDF 变成结构化文本，而且能直接出 RAG 用的 chunk，有望明显减少手工转格式和分块的重复劳动。

1开源工具最容易被忽略（也最可能踩坑）的一点是许可证。Marker 2 的代码是 Apache 2.0，但它的模型权重附加了一个商业条款：如果你的公司年营收或融资总额超过 500 万美元，就需要购买商业许可证。相比之下，MinerU 的商业门槛是月营收超过 2000 万美元（对更早期的公司相对宽松），而 Docling 直接采用 MIT 协议，完全没有营收限制。对于一家融资刚过 A 轮、正在搭企业知识库的初创公司，这个 500 万美元线可能比你预想的更容易碰到。如果你打算用 Marker 2 做商业产品的一部分，建议提前和 Datalab 确认授权条款，免得后期麻烦。

🗣️ 说人话：代码可以白嫖，但模型权重在小有规模的公司就要掏钱——别等产品上线了才发现许可证卡脖子。

1总结一下，这轮 Marker 2 发布给做 RAG 和知识库的人最大的信号是：Marker 2 用分档架构说明，PDF 解析环节可以在质量、速度和成本之间画出一条更贴合你业务需求的曲线。如果你的 GPU 充足、文档复杂，直接上 balanced；想省 GPU 但保留一定版面还原能力，用 fast；纯电子稿海量入库，--disable_ocr 让你的 CPU 跑出很高的吞吐。搭配 --output_format chunks 和可选的 --use_llm，Marker 2 几乎能把整个文档预处理 pipeline 收回到一个命令行工具里。

🗣️ 说人话：以前转 PDF 像开盲盒，现在 Marker 2 给你三个档位自己拧——要质量有质量、要省钱能省钱，而且上手就三行命令。

关注「AI 效能派」，我们专注把 AI 工具讲成你能用的东西，不讲黑话、不画大饼。

源码地址：https://github.com/datalab-to/marker/releases/tag/v2.0.0

数据来源：Datalab 官方博客、Marktechpost 解读、Marker v2.0.0 Release Notes、olmOCR‑bench (Ai2)。