Datalab推出Marker 2，文档转换速度提升5倍，准确率领先同类工具

概览

Datalab 今日正式发布 Marker 2， 完全重写的文档转换管线， 支持 PDF、图片、PPTX、DOCX、XLSX、HTML、EPUB 等多种格式， 可输出 Markdown、JSON、HTML 或块状结构。 全新架构围绕三大组件：Surya OCR 2（20 M 参数布局模型）、加速版 pdftext 以及统一的管线调度器，实现了显著的速度与精度提升。

主要特性

• 三种转换模式：
  • balanced：在 GPU 上使用 Surya VLM 进行布局识别并在文本质量欠佳时重新 OCR， 在 olmOCR‑bench 上取得 76.0% 总体得分。
  • fast：轻量化的 rf‑detr/onnx 布局检测 + pdftext， 仅 66.6% 但吞吐达 7.4 页/秒。
  • ‑disable_ocr：纯文本层提取，全部在 CPU 上运行，得分 43.6%，吞吐 23.7 页/秒。
• 设备感知：默认 balanced 在 GPU，fast 在 CPU/MPS，可通过 --mode 手动覆盖。
• 多工作进程共享 Surya 推理服务器，实现了单机多进程的吞吐放大。

基准对比

在同等硬件（单块 B200 GPU）下，Marker 2 在速度与精度上均领先。 对于需要高准确率且不希望每页调用 API 的场景，balanced 模式提供了接近 Gemini Flash 3.5（85.8%）的表现，仅差 0.4 分。

授权与商业化

• Marker 2 代码采用 Apache 2.0，模型权重使用 Modified AI Pubs OpenRAIL‑M，研究与个人使用免费，创业公司年收入 < 5 M 美元亦可免费使用，超出需付费商业授权。
• MinerU、Docling、LiteParse 各自采用不同的开源许可证，商业使用门槛亦有差异，企业在选型时需结合自身收入规模与合规要求。

适用场景

• 高吞吐文档处理：fast 与 ‑disable_ocr 在 CPU 上即可实现数十页/秒，适合大规模批处理。
• 精细布局抽取：balanced 在复杂表格、数学公式等结构化文档上保持最高得分。
• 成本敏感部署：无需 GPU 的 pure‑text 模式降低硬件投入。

结论

Marker 2 通过三模态设计兼顾速度、成本与准确率， 在公开基准 olmOCR‑bench 中实现了 5 倍以上的吞吐提升，并在多数子类目上超过同类开源工具。 对于希望在本地部署、保持可控成本的企业或研发团队，Marker 2 提供了最具性价比的选项。