Marker 2 обогнал конкурентов по парсингу PDF в 5 раз по скорости при лучшем качестве

Что именно сравнивали и как?

Бенчмарк olmOCR-bench создан исследовательской лабораторией Allen AI (Ai2). Это 1 403 PDF-файла и примерно 8 400 тестов «прошёл/не прошёл». Тесты покрывают восемь категорий: рендеринг математических формул, структуру таблиц, порядок чтения, обработку заголовков и колонтитулов, распознавание старых сканов.

Итоговый балл считается как среднее по всем восьми категориям. Скорость измеряется не по одиночному запросу, а как устойчивая пропускная способность при параллельной обработке на одном хосте с GPU B200.

Все цифры в таблице получены командой Datalab на их собственных прогонах. Скрипты для воспроизведения результатов лежат в репозитории Marker вместе с раннерами для MinerU, Docling и LiteParse, то есть любой может повторить замеры на своих данных.

Что обнаружили?

• Marker 2 в режиме balanced набирает 76,0% при скорости 2,9 стр./сек. MinerU (pipeline-бэкенд) набирает 72,7% при 0,54 стр./сек. Разрыв по скорости: 5,4 раза при более высоком качестве.
• На цифровых PDF (born-digital, то есть изначально созданных на компьютере, а не отсканированных) Marker 2 и MinerU практически равны: 83,5% против 83,3%.
• Режим fast Marker 2 выжимает 7,4 стр./сек, это в 13,7 раза быстрее MinerU, но качество падает до 66,6%.
• Режим без OCR (оптическое распознавание символов, когда программа «читает» текст с картинки) работает целиком на CPU без видеокарты. Скорость составляет 23,7 стр./сек, качество 43,6%. Для черновой обработки больших архивов, где важна скорость, а не идеальная точность, это рабочий вариант.
• Docling отстаёт сильнее: 50,3% при 2,1 стр./сек. Его преимущество в другом: MIT-лицензия, происхождение из IBM Research, поддержка не только документов, но и аудио, и почтовых форматов.
• LiteParse от команды LlamaIndex, написанный на Rust, показывает 1 721 стр./сек без OCR, это в 73 раза быстрее CPU-режима Marker 2, но качество всего 22,4%. У LiteParse нет модели раскладки страницы, и он «ломается» на любом нелинейном макете: таблицах, многоколоночных страницах.
• Полностраничные VLM (модели, которые «смотрят» на всю страницу целиком как на изображение) остаются точнее всех конвейеров. Hosted-модель Datalab Chandra 2 набирает 85,8%, olmOCR 2 от Ai2 — 82,4%, dots.ocr 1.5 — 83,9%. Но Marker 2 balanced уступает Gemini Flash 3.5 через API всего 0,4 балла (76,0 против 76,4), а на цифровых PDF обгоняет его: 83,5 против 79,1, и не требует платного вызова API на каждую страницу.

Что делать с этим прямо сейчас?

Авторам Дзена и копирайтерам. Если вы извлекаете текст из PDF-отчётов, книг, исследований для своих статей, Marker 2 позволяет получить чистый Markdown или HTML за секунды. Режим fast работает без мощной видеокарты. Установка через pip install marker-pdf не изменилась, но нужен Python 3.10 или новее.

Маркетологам. Парсинг PDF с прайсами, каталогами, коммерческими предложениями конкурентов из рутины превращается в конвейер. Три режима покрывают разные бюджеты: balanced для точности, fast для объёма, CPU-only для серверов без GPU.

Предпринимателям в РФ и СНГ. Marker 2 это открытая модель (опенсорс), развернуть можно на своём сервере без зависимости от зарубежных API. Для тех, кому нужен российский облачный вариант, ближайшие аналоги по задаче (хотя и с другой архитектурой) включают сервисы распознавания от Яндекс Cloud Vision и «Контур.Распознавание».

Три режима одного инструмента вместо трёх разных программ, вот что по-настоящему ценно в Marker 2 для повседневной работы с документами: включил нужный и пошёл дальше.

По данным Datalab