Datalab’s Marker 2 vs MinerU, Docling and LiteParse: 76.0 on olmOCR-bench at 5× MinerU’s Throughput

Datalab 正式發布了開源文件轉換管線 Marker 2，這是該工具從底層進行的全面重寫。新版不僅在準確度上大幅躍進，更在處理吞吐量上寫下新標竿，讓開源文件解析領域的競爭態勢為之一變。在第三方基準測試 olmOCR-bench 上，Marker 2 以 76.0% 的整體分數、同時保持數倍於主要競爭對手 MinerU 的處理速度，成為當前兼顧品質與效率的最強開源管線之一。這次改版的核心，在於 Marker 2 將過去單一的轉換流程，拆解為三條截然不同的路徑。第一條是「balanced」（平衡）模式：由 Surya VLM 負責版面布局分析，並在內嵌文字品質不足時對整個頁面進行重新 OCR。

這條路徑專為 GPU 設計，鎖定最高輸出品質，在 olmOCR-bench 上拿下 76.0% 的整體分數，其中原生數位 PDF 的表現更達到 83.5%。第二條是「fast」（快速）模式：改採輕量級的 rf-detr/onnx 布局偵測器與 pdftext 搭配，只有在必要時才動用 VLM，大幅降低計算成本。此模式得分為 66.6%，適合對延遲敏感的場景。第三條是「--disable_ocr」模式：完全繞過 VLM，僅依賴 PDF 本身的文字層，可在純 CPU 環境下運行，得分為 43.6%，但速度可達每秒 23.7 頁。這些路徑如今的切換也變得更智慧。

系統預設會根據裝置自動選擇模式：在 GPU 上採用 balanced，在 CPU 或 MPS 上則自動降為 fast，使用者也可透過 --mode 參數手動覆蓋。這項設計讓 Marker 2 在各種硬體環境下都能發揮最佳表現，不再需要使用者手動調整複雜的設定。效能上的突破來自架構面的重大革新。Datalab 團隊讓多個輕量 CPU 工作者共享同一個 Surya 推論伺服器，上層進程統一調度 VLM 並發數，使吞吐量不再受限於個別行程的 VRAM 容量，而是依照伺服器整體承載能力線性擴展。報告指出，balanced 模式在單顆 B200 GPU 上可維持每秒約 2.

9 頁的持續吞吐量，而過去在同一硬體上串流處理的速率僅有每秒 0.3 頁，效率提升接近十倍。在與競爭對手的直接比對中，Marker 2 展現了壓倒性的綜合優勢。MinerU 的管線後端在架構上最為接近——同樣是先讀取 PDF 文字層再選擇性 OCR——但其整體分數為 72.7%，吞吐量僅有每秒 0.54 頁。這意味著 Marker 2 的 balanced 模式在分數領先 3.3 個百分點的同時，速度還快了 5.4 倍。即使在原生數位 PDF 這類任務上，兩者分數雖近乎打平（83.5% 對 83.3%），但速度差距依然巨大。

若採用 Marker 2 的 fast 模式，吞吐量更可拉開到 MinerU 的 13.7 倍，雖然代價是分數略低 6.1 個百分點。對比 Docling 的差距則更為懸殊。在同樣的基準測試框架下，Docling 的整體分數為 50.3%，原生數位 PDF 分數為 64.0%，而吞吐量是每秒 2.1 頁。Marker 2 的 balanced 模式無論在準確度（76.0% 對 50.3%）還是速度（2.9 pg/s 對 2.1 pg/s）上都全面勝出。

不過 Docling 的優勢在於其治理架構與格式廣度：程式碼採用 MIT 授權、源自 IBM 研究院、目前由 LF AI & Data 基金會託管，輸入格式更涵蓋音訊與電子郵件，在企業合規與多模態需求上有其獨特地位。LiteParse 則展示了極端的速度與準確度取捨。這套來自 LlamaIndex 團隊的 Rust 解析器，在關閉 OCR 的模式下可達到每秒 1721 頁的吞吐量，是 Marker 2 CPU 模式的 73 倍。然而，其整體分數僅有 22.4%，而 Marker 2 的 CPU-only 模式在同樣條件下得分為 43.6%，兩倍有餘。

關鍵差異在於 LiteParse 完全沒有布局模型，一旦文件排版非線性就會崩潰；而 Marker 2 即使在最輕量的設定下，仍搭載了 20M 參數的布局模型在 CPU 上運作，得以保留欄位、表格與標題的結構資訊。值得注意的是，Datalab 團隊強調 Marker 2 是一套管線而非 VLM，兩者屬於不同層級的工具。在其生態中，頂尖的 VLM 方案如託管的 Chandra 2 分數達 85.8，Gemini Flash 3.5 為 76.4，Ai2 的 olmOCR 2 為 82.4。然而，Marker 2 的 balanced 模式與 Gemini Flash 3.

5 的整體分數差距僅有 0.4 個百分點，在原生數位 PDF 上甚至以 83.5% 壓過對手的 79.1%，且完全不需要逐頁呼叫外部 API。這顯示出一條經過精心優化的管線，能在成本與品質之間找到極具競爭力的甜蜜點。不同的轉換路徑也決定了各自的錯誤特性。在 olmOCR-bench 的八個類別中，數學類別是最鮮明的分水嶺：fast 模式直接從 PDF 文字層讀取方程式，而非進行 VLM OCR，導致 arXiv 數學的分數從 balanced 的 83.9% 驟降至 23.4%，而 --disable_ocr 模式更因為設計限制在此類別掛零。

另一方面，舊掃描文件類別則是所有模式共同的弱點，分數最高僅達 43.2%，凸顯了老舊掃描件對任何管線的挑戰。授權條款的差異，則是商業團隊在選型時不可忽視的環節。Marker 2 的程式碼採用 Apache 2.0，但模型權重使用修改版的 AI Pubs OpenRAIL-M 授權：研究、個人用途以及營收低於 500 萬美元的新創公司可免費使用，超出此範圍的商用部署則需要付費授權。MinerU 則採用基於 Apache 2.0 但附加條件的 MinerU 開源授權，當月活躍用戶超過 1 億或月營收超過 2000 萬美元時必須另購商用授權，且線上服務必須揭露使用事實。

Docling 採用寬鬆的 MIT 授權，而 LiteParse 雖為開源，但其背後 LlamaIndex 團隊主推的付費雲端服務 LlamaParse 才是處理複雜文件的商業路徑。綜合來看，Marker 2 在開源文件轉換領域樹立了新的效率與品質標竿，尤其適合需要大規模批次處理、且硬體資源充足的團隊。然而，正如 Datalab 團隊所提醒，任何基準測試的數字都只是特定文件組合與硬體配置下的快照，真正的選擇必須回歸到自身的工作負載：文件的類型分布、可用的運算資源、授權成本的敏感度、以及對輸出格式與結構保留的要求。

團隊應利用 Marker 儲存庫中開放的測試框架，在自己的文件集上實際跑過一輪，才能準確判斷這套管線是否符合真實生產環境的需求。