Marker
Převádí PDF a další formáty na Markdown, JSON nebo rovnou RAG chunky; kombinuje textovou vrstvu s VLM, takže OCR volá jen kde je potřeba.
Účel
Python nástroj od Datalabu, který převádí PDF — a taky DOCX, PPTX, XLSX, HTML, EPUB a obrázky — na Markdown, JSON, HTML nebo rovnou chunky pro RAG. Zvládá tabulky, formuláře, rovnice v LaTeXu, vícesloupcový layout, extrakci obrázků a odstraňování hlaviček a patiček.
Odlišnost
Interně kombinuje textovou vrstvu PDF s VLM (Surya) — OCR volá jen tam, kde je potřeba,
takže je výrazně rychlejší než čistě OCR přístupy. Proti Doclingu od IBM (MIT, běží
na CPU, širší škála vstupů včetně audia) sází Marker na rychlost a kvalitu layoutu;
proti MinerU od OpenDataLabu, který je přesnější hlavně na CJK a exotickém hardwaru,
je Marker univerzálnější volba. Volitelně jde přesnost dopilovat LLM přes --use_llm.
Nasazení
Self-host jako Python knihovna (CPU i GPU; fast mód jede čistě na CPU) nebo managed API od Datalabu. Ceník API: Free s alowancí 20 USD/měsíc na pracovní e-mail, Team 400 USD/měsíc včetně kreditu, Enterprise na míru. Za 1000 stran: Convert fast/balanced 4 USD, Convert accurate 10 USD, Extraction 6–20 USD. Free tier má limit 25 požadavků za minutu a zahrnuje SOC 2 Type II. Self-hosted komerční licence jen přes Enterprise.
V kostce
- Zralost
- 4/5
- Jak zavedený je projekt: body za aktivní vývoj, víc přispěvatelů, placenou verzi a víc než rok na trhu.
- Nasazení
- Knihovna, Self-hosting, SaaS
- Licence
- Apache-2.0
- Cena
- OSS zdarma; managed API Free (allowance 20 USD/měs), Team 400 USD/měs, Enterprise na míru; Convert 4–10 USD za 1000 stran
Zdroje
- Web datalab.to
- Repozitář github.com/datalab-to/marker
- Výrobce datalab.to/pricing
- Nezávislý zdroj adityamangal98.medium.com/docling-vs-marker-vs-mineru-the-ultimate-open-source-pdf-parser-benchmark-2026-which-is-best-a36ecbb6c6b1
- Nezávislý zdroj builderai.tools/blog/pdf-parsing-for-rag-mineru-docling-marker-compared