DatalabはMarker 2をリリースしました。これは、オープンソースのドキュメント変換パイプラインの全面書き換えであり、PDF、画像、PPTX、DOCX、XLSX、HTML、EPUBファイルをmarkdown、JSON、HTML、またはチャンクに変換します。正確かつ高速なドキュメント変換は、エンタープライズAIパイプライン—特にリアルワールドの文書から抽出されたクリーンな構造化テキストに依存する検索拡張生成（RAG）システムやLLMデータ取り込みワークフロー—における重大なボトルネックとなっています。

本リリースは、Datalabが過去数ヶ月間で提供してきた3つのコンポーネントを中心にMarkerを再構築しています。Surya OCR 2、高速な2000万パラメータのレイアウトモデル、そして同社によると以前のバージョンより3倍高速なpdftextコンポーネントです。

Datalabが引用した主なベンチマーク結果は、Allen AIのサードパーティベンチマークであるolmOCR-benchから得られています。Datalabの実行において、Marker 2のbalancedモードは全体で76.0%、born-digital PDFで83.5%を記録しました。単一のB200 GPUで毎秒2.9ページを維持します。Datalabによると、これはMinerUのパイプラインバックエンドのスループットの5倍以上であり、MinerUは毎秒0.54ページで72.7%を記録しています。Doclingは同じハーネスで毎秒2.1ページ、50.3%を記録しました。

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

Marker 2の変更点

Marker 2は、従来の単一パスではなく、3つの変換パスを提供するようになりました。

balancedモードはSurya VLMでレイアウトを処理し、埋め込みテキストの品質が低い場合はページ全体を再OCRします。Datalabはこれを最高品質のオプションであり、GPUでの使用に最も適しているとしています。olmOCR-benchで76.0%を記録しています。

fastモードは、軽量なrf-detr/onnxレイアウト検出器とpdftextを組み合わせ、VLMの使用を最小限かつ的確に抑えます。66.6%を記録し、より低コストでの実行を想定しています。

--disable_ocrモードは、VLMコールを一切伴わない純粋なテキストレイヤー抽出を行います。完全にCPU上で動作し、43.6%を記録、毎秒23.7ページに達します。

モード選択はデフォルトでデバイス認識型になりました。GPUではbalanced、CPUまたはMPSではfastが選択されますが、--modeで上書き可能です。完全なCPUサポートは2つ目の構造的変更です。fast --disable_ocrパスはGPUや推論サーバーを必要とせず、2000万パラメータのレイアウトモデルがCPU上で列、表、ヘッダーを引き続き読み取ります。

Datalabによると、3つ目の主要な変更はアーキテクチャに関わるもので、スループット結果をもたらす要因となっています。複数の軽量CPUワーカーが単一のSurya推論サーバーを共有します。親プロセスがそれらのワーカー間でVLMの同時実行数を予算管理するため、スループットはプロセスごとのVRAMではなくサーバーのキャパシティに応じてスケールします。Datalabは、balancedモードが同一ハードウェアで単一ストリーム速率約0.3ページ/秒に対し、約2.9ページ/秒を維持すると報告しています。

本リリースには破壊的変更も含まれています。Python 3.10以降が必須となりました。パッケージングはPoetryからuvに移行し、ビルドバックエンドはhatchlingとなりましたが、pip install marker-pdfは変更ありません。構造化抽出コンバーターとエクストラクターは削除されました。Datalabはユーザーに対し、ホスト型APIまたは--use_llmワークフローを代替として案内しています。

ベンチマークの背景

採点ベンチマークはAi2のolmOCR-benchです。1,403のPDFと約8,400の合格/不合格判定ユニットテストで構成され、数式レンダリング、表構造、読み取り順序、ヘッダーとフッター、古いスキャンをカバーしています。全体スコアは8カテゴリーのマクロ平均で、公式のolmOCR-benchチェッカーで計算されます。スループットは、単一ストリームのレイテンシではなく、1台のB200ホストでの持続的同時実行ページ/秒で測定されます。

Datalabは、olmOCR-benchがAi2のサードパーティベンチマークであることに言及しつつ、Marker、MinerU、Docling、LiteParseについて引用されているスコアとスループットの数値はDatalab自身の実行によるものです。同社は、結果がMarkerリポジトリ内のオープンハーネスを通じて再現可能であると述べています。このハーネスには、Marker自身のランナーに加えて、MinerU、Docling、LiteParseの競合ランナーが含まれています。

これらの数値はまた、1つのベンチマークの文書構成を1つのハードウェア構成で測定したものを反映しています。他の文書セットでは結果が異なる可能性があり、システムを評価するチームは、自身のコーパスに対してハーネスを実行して、対象文書でのランキングを判断する必要があります。

Marker 2とMinerU

MinerUのパイプラインバックエンドは、最もアーキテクチャが近い比較対象です。両システムともPDFテキストレイヤーを読み取り、選択的にOCRを適用します。全体スコアでは、Marker balancedが76.0対72.7でリードしています。born-digital文書では両者はほぼ同点で、Markerが83.5、MinerUが83.3です。

より大きな違いはスループットです。Marker balancedは毎秒2.9ページを維持し、MinerUの毎秒0.54ページに対して、より高い全体スコアを記録しながら5.4倍の差をつけています。Marker fastは毎秒7.4ページを維持し、MinerUのパイプライン速率の約13.7倍ですが、スコアはMinerUより6.1ポイント低くなります。

MinerUはVLMバックエンドも提供しており、Datalabによるとパイプラインバックエンドより高いスコアを記録します。このバックエンドはフルページVLMアプローチを使用し、記事で引用された比較表には含まれていません。Datalabは、MinerUを評価するチームはそのパスを別途ベンチマークすべきだとしています。

Marker 2とDocling

Doclingは、Datalabの比較においてGPUパイプライン間で最も大きな差を示しています。Marker balancedは全体で76.0対50.3、born-digital文書で83.5対64.0でリードしています。また、引用された設定ではMarkerの方が高速で、毎秒2.9ページ対Doclingの毎秒2.1ページです。

Datalabによると、Doclingはデフォルトのパイプラインで実行されました。これはborn-digitalページにテキストレイヤーを使用し、画像領域にOCRを使用する構成です。

Doclingの強みは、この比較におけるベンチマーク精度ではなく、ガバナンスとフォーマットの幅にあります。コードベースはMITライセンスで、IBM Research発祥であり、LF AI & Data Foundationのプロジェクトとしてホストされています。入力対応も文書にとどまらず、音声やメールフォーマットにまで広がっています。

Marker 2とLiteParse

LlamaIndexチームによるLiteParseは、Rust製のドキュメントパーサーであり、Markerと同じ軸では競合しません。CPUでは、LiteParseは全体で22.4、OCR無効で20.4を記録し、MarkerのCPU専用スコア43.6と比較されます。

OCR無効のLiteParseは毎秒1721ページを報告しており、MarkerのCPUモードの約73倍です。これが比較における中心的なトレードオフです。Markerのfast --disable_ocrモードはCPU上で2000万パラメータのレイアウトモデルを実行し、構造を復元します。Datalabはこれが、プレーンテキストダンプのスコアを2倍以上にする理由だと説明しています。LiteParseにはレイアウトモデルがなく、非線形な文書では性能が低下すると記事では指摘されています。

Marker 2とフルページVLMシステム

Datalabは、MarkerがVLMではなくパイプラインとして設計されていることを強調し、両者は異なるツールカテゴリーであると説明しています。同社の評価では、ホスト型のChandra 2が85.8を記録し、API経由のGemini Flash 3.5が76.4を記録しています。DatalabのChandraリポジトリは別の表で、Ai2のolmOCR 2を82.4、dots.ocr 1.5を83.9に位置づけています。

スキャン、数式が多用されるページ、最高精度の達成において、VLM層はリストされたすべてのパイプラインより依然として優位に立つとDatalabは述べています。Marker balancedは、引用された結果で全体スコアにおいてGemini Flash 3.5よりわずか0.4ポイント遅れるのみであり、born-digital文書では83.5対79.1でGemini Flash 3.5を上回っており、ページごとのAPIコールも不要です。パイプライン対VLMのトレードオフは、ドキュメントAIツール分野全体で繰り返し現れる設計上の課題であり、パイプラインは一般にページあたりのコストが低くローカルデプロイが可能である一方、VLMベースのアプローチは最も難しい文書タイプで優位性を持ちます。

カテゴリー別結果

選択したモードは、ヘッドラインスコアだけでなく失敗プロファイルも変化させます。Datalabが引用したolmOCR-benchカテゴリーにおいて、数式はbalanced以外のモードで最も鋭い制約となります。fastモードはVLMでOCRする代わりにPDFテキストレイヤーから数式を読み取るため、arXivの数式は83.9から23.4に低下します。--disable_ocrモードはそのカテゴリーで設計上0.0を記録します。

2つの数式カテゴリー以外では、古いスキャンがすべてのモードで最も弱い区分であり、最高結果は43.2にとどまります。

ライセンス

4つのシステムは、商用チームにとってのライセンスにおいて大きく異なります。

MarkerのコードはApache 2.0です。モデルウェイトは修正版AI Pubs OpenRAIL-Mライセンスを使用しており、研究、個人利用、資金調達または収益が500万米ドル未満のスタートアップについては無料です。この閾値を超える場合、ウェイトの商用利用には有料ライセンスが必要です。

MinerUは現在、MinerUオープンソースライセンスの下にあり、Apache 2.0に追加条件を加えたものです。月間アクティブユーザー1億人または月間収益2000万米ドルを超える場合は別途商用ライセンスが必要で、それに基づいて構築されたオンラインサービスはその旨を開示する必要があります。

DoclingはMITライセンスで、モデルライセンスは元のパッケージ内で個別に管理されています。

LiteParseはrun-llamaによるオープンソースで、LlamaParseが難しい文書向けの有料クラウドパスとして位置づけられています。

これらのプロジェクト全体のライセンス状況は、オープンソースAIツールが寛容なコードライセンスとモデルウェイトにより制限的または商用的な条件を組み合わせるという、より広範な業界の傾向を反映しています。これはオープンな配布と訓練済みモデルの収益化の間の緊張関係を示しています。

引用された一次ソースには、olmOCR-benchリポジトリ（https://github.com/allenai/olmocr/tree/main/olmocr/bench）、Marker 2リリースノート（https://github.com/datalab-to/marker/releases/tag/v2.0.0）、Datalabのブログ記事（https://www.datalab.to/blog/marker-2）、および発表ツイート（https://x.com/VikParuchuri/status/2079545884681830784）が含まれます。