Marker v2 supera MinerU e Docling em benchmark de conversão de documentos

Marker v2: o novo benchmark de conversão de documentos open source

A Datalab lançou o Marker v2, uma reescrita completa do seu pipeline open source de conversão de documentos. A ferramenta converte PDFs, imagens, PPTX, DOCX, XLSX, HTML e EPUB para markdown, JSON, HTML ou chunks — e os números do benchmark olmOCR-bench, do Allen AI, colocam o Marker v2 como a opção mais rápida e precisa entre as soluções comparáveis.

O Marker v2 atinge 76,0% de pontuação geral e 83,5% em PDFs born-digital, sustentando 2,9 páginas por segundo em uma única GPU B200. Para efeito de comparação: o MinerU (pipeline backend) faz 72,7% a 0,54 páginas por segundo — ou seja, o Marker é 5,4× mais rápido com qualidade superior. O Docling marca 50,3% a 2,1 páginas por segundo. O LiteParse, da equipe LlamaIndex, fica em 22,4% (modo CPU com OCR).

A arquitetura por trás dos números

O Marker v2 foi reconstruído sobre três componentes lançados nos últimos meses: o Surya OCR 2 (modelo de visão para reconhecimento de texto), um modelo de layout rápido de 20 milhões de parâmetros e o pdftext reescrito, agora 3× mais rápido que a versão anterior.

A grande mudança arquitetural está no modelo de concorrência: vários workers leves de CPU compartilham um único servidor de inferência Surya. O processo principal gerencia o orçamento de VLM entre eles, permitindo que a vazão escale com a capacidade do servidor, não com a VRAM por processo. O resultado é que o modo balanceado sustenta ~2,9 páginas por segundo contra ~0,3 páginas por segundo em single-stream no mesmo hardware.

Três caminhos de conversão

O Marker v2 oferece três modos com trade-offs claros entre qualidade e custo computacional:

• Balanced (76,0%): o Surya VLM processa o layout e re-OCRiza a página inteira quando o texto embutido é ruim. Melhor qualidade, requer GPU.
• Fast (66,6%): usa detector de layout rf-detr/onnx leve + pdftext, com uso mínimo e cirúrgico do VLM. Muito mais barato, mas perde 9,4 pontos.
• –disable_ocr (43,6%): extração pura da camada de texto, sem chamadas VLM. Roda inteiramente em CPU a 23,7 páginas por segundo.

O modo agora é device-aware por padrão: balanced em GPU, fast em CPU/MPS. O modo fast –disable_ocr não precisa de GPU nem servidor de inferência, mas o modelo de layout de 20M ainda recupera colunas, tabelas e cabeçalhos mesmo em CPU.

Comparação detalhada com concorrentes

Marker v2 vs MinerU: são os mais próximos arquiteturalmente. No overall, Marker lidera 76,0 a 72,7. Em born-digital, empate técnico: 83,5 contra 83,3. A diferença real está na vazão: Marker balanced é 5,4× mais rápido. O MinerU também tem um backend VLM (full-page) que não está nesta tabela, e pontua mais alto que seu pipeline — times que avaliam o MinerU devem testar esse caminho separadamente.

Marker v2 vs Docling: a maior margem entre os pipelines com GPU. Marker lidera 76,0 a 50,3 no geral e 83,5 a 64,0 em born-digital, sendo ainda mais rápido. O contrapeso do Docling está em governança e amplitude de formatos: código MIT, originado no IBM Research, hospedado na LF AI & Data Foundation, com suporte a áudio e email além de documentos.

Marker v2 vs LiteParse: o parser Rust da LlamaIndex não compete no mesmo eixo. Em CPU, marca 22,4 contra 43,6 do Marker CPU-only. Mas o LiteParse sem OCR reporta 1.721 páginas por segundo — 73× o modo CPU do Marker. O LiteParse não tem modelo de layout: colapsa em qualquer coisa não-linear. O ganho do Marker está justamente em manter estrutura (colunas, tabelas) mesmo sem GPU.

O que muda para quem faz upgrade

Algumas breaking changes são importantes para times que já usam o Marker v1: Python 3.10+ agora é obrigatório. A ferramenta de empacotamento migrou de Poetry para uv, com hatchling como build backend (embora pip install marker-pdf continue funcionando). O extrator de structured-extraction foi removido — a Datalab recomenda usar a API hospedada ou o fluxo –use_llm como alternativa.

O que isso significa na prática

Para equipes brasileiras que lidam com pipelines de documentos — processamento de notas fiscais, contratos digitalizados, extração de dados de PDFs governamentais — o Marker v2 oferece uma alternativa open source com velocidade comparável a soluções comerciais. O benchmark olmOCR-bench cobre 1.403 PDFs com ~8.400 testes unitários de aprovação/reprovação, avaliando renderização matemática, estrutura de tabelas, ordem de leitura, cabeçalhos, rodapés e documentos escaneados antigos.

Vale notar que todos os números vêm de execuções da própria Datalab — embora sejam reproduzíveis via harness aberto no repositório do Marker, que inclui runners para MinerU, Docling e LiteParse. Times avaliando essas ferramentas devem rodar o benchmark contra seus próprios documentos, que é a única forma de saber como as quatro ferramentas se comportam no corpus que realmente importa.