Datalab hat Marker 2 veröffentlicht, eine vollständige Neufassung seiner Open-Source-Pipeline zur Dokumentkonvertierung, mit der PDF-, Bild-, PPTX-, DOCX-, XLSX-, HTML- und EPUB-Dateien in Markdown, JSON, HTML oder Chunks umgewandelt werden. Präzise und schnelle Dokumentkonvertierung ist zu einem kritischen Engpass für KI-Pipelines in Unternehmen geworden — insbesondere für Retrieval-Augmented-Generation-Systeme (RAG) und Workflows zur LLM-Datenaufnahme, die auf sauber strukturierten Text aus realen Dokumenten angewiesen sind.

Die Veröffentlichung baut Marker um drei Komponenten herum neu auf, die Datalab in den vergangenen Monaten ausgeliefert hat: Surya OCR 2, ein schnelles Layoutmodell mit 20M Parametern und eine überarbeitete pdftext-Komponente, die nach Angaben des Unternehmens 3x schneller ist als die vorherige Version.

Das wichtigste von Datalab angeführte Benchmark-Ergebnis stammt von olmOCR-bench, einem Drittanbieter-Benchmark von Allen AI. In Datalabs Läufen erreicht der Balanced-Modus von Marker 2 insgesamt 76,0 % und 83,5 % bei born-digital PDFs. Er hält 2,9 Seiten pro Sekunde auf einer einzelnen B200-GPU. Laut Datalab ist das mehr als der 5-fache Durchsatz des Pipeline-Backends von MinerU, das 72,7 % bei 0,54 Seiten pro Sekunde erzielt. Docling erreicht 50,3 % bei 2,1 Seiten pro Sekunde auf demselben Harness.

Marker 2 is out now – up to 5x faster and more accurate than mineru, docling, and liteparse with similar configs. Converts pdfs, images, docx to markdown. CPU + GPU compatible, up to 27 pages/s. pic.twitter.com/75nMipDaZ7 — Vik Paruchuri (@VikParuchuri) July 21, 2026

Marker 2 is out now – up to 5x faster and more accurate than mineru, docling, and liteparse with similar configs. Converts pdfs, images, docx to markdown. CPU + GPU compatible, up to 27 pages/s. pic.twitter.com/75nMipDaZ7

Was sich in Marker 2 geändert hat

Marker 2 bietet nun drei Konvertierungspfade statt nur eines einzelnen Pfads.

Der Balanced-Modus nutzt das Surya VLM für das Layout, und die gesamte Seite wird erneut per OCR verarbeitet, wenn eingebetteter Text unzureichend ist. Datalab beschreibt ihn als Option mit der höchsten Qualität und als beste Wahl für den GPU-Einsatz. Er erzielt 76,0 % auf olmOCR-bench.

Der Fast-Modus verwendet einen leichten rf-detr/onnx-Layoutdetektor plus pdftext, mit minimalem und gezieltem VLM-Einsatz. Er erreicht 66,6 % und ist auf niedrigere Betriebskosten ausgelegt.

Der Modus --disable_ocr führt eine reine Extraktion aus der Textebene ohne VLM-Aufrufe durch. Er läuft vollständig auf der CPU, erzielt 43,6 % und erreicht 23,7 Seiten pro Sekunde.

Die Modusauswahl ist nun standardmäßig geräteabhängig: Balanced auf der GPU und Fast auf CPU oder MPS, wobei Nutzer die Einstellung weiterhin mit --mode überschreiben können. Vollständige CPU-Unterstützung ist eine weitere strukturelle Änderung. Der Pfad fast --disable_ocr benötigt weder GPU noch Inferenzserver, und das Layoutmodell mit 20M Parametern liest auf der CPU weiterhin Spalten, Tabellen und Überschriften.

Datalab zufolge ist die dritte wesentliche Änderung architektonischer Natur und für die Durchsatzergebnisse verantwortlich. Mehrere schlanke CPU-Worker teilen sich einen einzelnen Surya-Inferenzserver. Der übergeordnete Prozess budgetiert die VLM-Parallelität über diese Worker hinweg, sodass der Durchsatz mit der Serverkapazität skaliert und nicht mit dem VRAM pro Prozess. Datalab berichtet, dass der Balanced-Modus auf derselben Hardware etwa 2,9 Seiten pro Sekunde hält, verglichen mit einer Single-Stream-Rate von etwa 0,3 Seiten pro Sekunde.

Die Veröffentlichung bringt außerdem Breaking Changes mit sich. Python 3.10 oder neuer ist nun erforderlich. Die Paketierung wurde von Poetry auf uv umgestellt, mit hatchling als Build-Backend, obwohl pip install marker-pdf unverändert bleibt. Der Converter und die Extraktoren für strukturierte Extraktion wurden entfernt; Datalab verweist Nutzer stattdessen auf die gehostete API oder einen --use_llm-Workflow.

Benchmark-Kontext

Der Bewertungsbenchmark ist olmOCR-bench von Ai2. Er umfasst 1.403 PDFs und rund 8.400 Pass/Fail-Unit-Tests, die mathematische Darstellung, Tabellenstruktur, Lesereihenfolge, Kopf- und Fußzeilen sowie alte Scans abdecken. Die Gesamtpunktzahl ist der Makrodurchschnitt über acht Kategorien, berechnet mit dem offiziellen olmOCR-bench-Checker. Der Durchsatz wird als dauerhaft gleichzeitig verarbeitete Seiten pro Sekunde auf einem B200-Host gemessen, nicht als Single-Stream-Latenz.

Datalab weist darauf hin, dass olmOCR-bench ein Drittanbieter-Benchmark von Ai2 ist, die für Marker, MinerU, Docling und LiteParse genannten Punktzahlen und Durchsatzzahlen jedoch aus Datalabs eigenen Läufen stammen. Nach Angaben des Unternehmens sind die Ergebnisse über das offene Harness im Marker-Repository reproduzierbar, das neben Markers eigenem Runner auch Wettbewerber-Runner für MinerU, Docling und LiteParse enthält.

Die Zahlen spiegeln außerdem den Dokumentenmix eines einzelnen Benchmarks auf einer einzelnen Hardwarekonfiguration wider. Ergebnisse können bei anderen Dokumentensätzen abweichen, und Teams, die die Systeme evaluieren, müssten das Harness gegen ihren eigenen Korpus laufen lassen, um die Rangfolge für ihre Dokumente zu bestimmen.

Marker 2 und MinerU

Das Pipeline-Backend von MinerU ist der naheliegendste architektonische Vergleich, weil beide Systeme die PDF-Textebene lesen und OCR selektiv anwenden. Marker Balanced liegt bei der Gesamtpunktzahl mit 76,0 zu 72,7 vorn. Bei born-digital Dokumenten liegen beide nahezu gleichauf, mit Marker bei 83,5 und MinerU bei 83,3.

Der größere Unterschied liegt im Durchsatz. Marker Balanced hält 2,9 Seiten pro Sekunde gegenüber 0,54 Seiten pro Sekunde bei MinerU, ein Abstand von 5,4x, während zugleich eine höhere Gesamtpunktzahl erreicht wird. Marker Fast hält 7,4 Seiten pro Sekunde, etwa 13,7x der Pipeline-Rate von MinerU, liegt bei der Punktzahl jedoch 6,1 Punkte unter MinerU.

MinerU bietet außerdem ein VLM-Backend an, das laut Datalab besser abschneidet als MinerUs Pipeline-Backend. Dieses Backend nutzt einen Full-Page-VLM-Ansatz und war nicht in der im Artikel genannten Vergleichstabelle enthalten. Datalab sagt, Teams, die MinerU evaluieren, sollten diesen Pfad separat benchmarken.

Marker 2 und Docling

Docling zeigt in Datalabs Vergleich den größten Abstand unter den GPU-Pipelines. Marker Balanced liegt insgesamt mit 76,0 zu 50,3 vorn und bei born-digital Dokumenten mit 83,5 zu 64,0. Marker läuft im berichteten Setup außerdem schneller, mit 2,9 Seiten pro Sekunde gegenüber 2,1 Seiten pro Sekunde bei Docling.

Datalab zufolge wurde Docling mit seiner Standardpipeline ausgeführt, die für born-digital Seiten die Textebene und für Bildbereiche OCR nutzt.

Doclings Gegenpol liegt in Governance und Formatbreite, nicht in der Benchmark-Genauigkeit dieses Vergleichs. Die Codebasis steht unter der MIT-Lizenz, entstand bei IBM Research und wird als Projekt in der LF AI & Data Foundation gehostet. Die Eingabeunterstützung reicht zudem über Dokumente hinaus bis zu Audio- und E-Mail-Formaten.

Marker 2 und LiteParse

LiteParse vom LlamaIndex-Team ist ein in Rust geschriebener Dokumentparser und konkurriert nicht auf derselben Achse wie Marker. Auf der CPU erzielt LiteParse insgesamt 22,4 und 20,4 bei deaktivierter OCR, verglichen mit Markers CPU-only-Wert von 43,6.

LiteParse meldet bei deaktivierter OCR 1721 Seiten pro Sekunde, etwa 73x Markers CPU-Modus. Das ist der zentrale Trade-off in diesem Vergleich. Markers Modus fast --disable_ocr führt ein Layoutmodell mit 20M Parametern auf der CPU aus und rekonstruiert dennoch Struktur, was laut Datalab erklärt, warum er die Punktzahl eines einfachen Text-Dumps mehr als verdoppelt. LiteParse hat kein Layoutmodell und schneidet laut Quellartikel bei nichtlinearen Dokumenten schlecht ab.

Marker 2 und Full-Page-VLM-Systeme

Datalab betont, dass Marker als Pipeline und nicht als VLM konzipiert ist, und beschreibt beide als unterschiedliche Werkzeugkategorien. In der Bewertung des Unternehmens erzielt das gehostete Chandra 2 85,8, während Gemini Flash 3.5 per API 76,4 erreicht. Datalabs Chandra-Repository führt außerdem Ai2s olmOCR 2 mit 82,4 und dots.ocr 1.5 mit 83,9 in einer separaten Tabelle.

Für Scans, mathematiklastige Seiten und höchste Genauigkeit liegt die VLM-Stufe laut Datalab weiterhin vor allen aufgeführten Pipelines. Marker Balanced liegt in den genannten Ergebnissen insgesamt 0,4 Punkte hinter Gemini Flash 3.5 und vor Gemini Flash 3.5 bei born-digital Dokumenten, 83,5 zu 79,1, ohne einen API-Aufruf pro Seite zu erfordern. Der Trade-off zwischen Pipeline und VLM ist eine wiederkehrende Designfrage in der Document-AI-Toollandschaft, wobei Pipelines in der Regel niedrigere Kosten pro Seite und lokale Bereitstellung bieten, während VLM-basierte Ansätze bei den schwierigsten Dokumenttypen führen.

Ergebnisse auf Kategorieebene

Der gewählte Modus verändert nicht nur die Gesamtpunktzahl, sondern auch das Fehlerprofil. In den von Datalab genannten olmOCR-bench-Kategorien ist Mathematik die deutlichste Einschränkung für Nicht-Balanced-Modi. Der Fast-Modus liest Gleichungen aus der PDF-Textebene, statt sie per VLM-OCR zu verarbeiten, sodass arXiv-Mathematik von 83,9 auf 23,4 fällt. Der Modus --disable_ocr erzielt in dieser Kategorie konstruktionsbedingt 0,0.

Außerhalb der beiden Mathematikkategorien sind alte Scans in jedem Modus die schwächste Teilwertung, wobei das beste Ergebnis bei 43,2 liegt.

Lizenzierung

Die vier Systeme unterscheiden sich für kommerzielle Teams erheblich bei der Lizenzierung.

Markers Code ist Apache 2.0. Die Modellgewichte verwenden eine modifizierte AI Pubs OpenRAIL-M-Lizenz, die für Forschung, persönliche Nutzung und Start-ups mit weniger als $5 Millionen Finanzierung oder Umsatz kostenlos ist. Oberhalb dieser Schwelle erfordert die kommerzielle Nutzung der Gewichte eine kostenpflichtige Lizenz.

MinerU steht nun unter der MinerU Open Source License, basierend auf Apache 2.0 mit zusätzlichen Bedingungen. Eine separate kommerzielle Lizenz ist ab mehr als 100 Millionen monatlich aktiven Nutzern oder $20 Millionen Monatsumsatz erforderlich, und darauf aufbauende Onlinedienste müssen diesen Umstand offenlegen.

Docling steht unter der MIT-Lizenz, wobei Modelllizenzen separat in ihren ursprünglichen Paketen nachverfolgt werden.

LiteParse ist Open Source von run-llama, wobei LlamaParse als kostenpflichtiger Cloud-Pfad für schwierige Dokumente positioniert ist.

Die Lizenzlandschaft dieser Projekte spiegelt ein breiteres Branchenmuster wider, bei dem Open-Source-KI-Werkzeuge zunehmend freizügige Code-Lizenzen mit restriktiveren oder kommerziellen Bedingungen für Modellgewichte kombinieren. Das zeigt die Spannung zwischen offener Distribution und Monetarisierung trainierter Modelle.

Zu den genannten Primärquellen gehören das olmOCR-bench-Repository unter https://github.com/allenai/olmocr/tree/main/olmocr/bench, die Marker-2-Release-Notes unter https://github.com/datalab-to/marker/releases/tag/v2.0.0, Datalabs Blogbeitrag unter und der Ankündigungs-Tweet unter https://x.com/VikParuchuri/status/2079545884681830784.