Datalab发布Marker 2：文档解析新基准，准确率与吞吐量双超竞品

全栈重写：三大技术支柱驱动性能跃升

Datalab发布Marker 2——其开源文档转换流水线的全面重构版本。该工具支持PDF、图像、PPTX、DOCX、XLSX、HTML及EPUB等多种格式，输出为Markdown、JSON、HTML或文本块。本次重构围绕过去数月陆续发布的三个核心组件展开：Surya OCR 2（2000万参数的高速版面分析模型）、重写的pdftext引擎（速度提升3倍），以及更鲁棒的文本层处理逻辑。

基准表现：76.0%准确率与5×吞吐优势

在Allen Institute for AI（Ai2）第三方基准olmOCR-bench上，Marker 2的balanced模式取得76.0%整体准确率（born-digital PDF达83.5%）。该测试涵盖1403份PDF、约8400项单元测试，评估数学公式渲染、表格结构、阅读顺序、页眉页脚及老旧扫描件等8类关键能力。在单块NVIDIA B200 GPU上，Marker 2 sustained throughput达2.9页/秒，是MinerU同配置下0.54页/秒的5.4倍；而fast模式更达7.4页/秒（准确率66.6%，较MinerU低6.1个百分点）。Docling在相同测试中仅获50.3%准确率（2.1页/秒），LiteParse未公布完整数据但被明确列为对比对象之一。

三模并行：设备感知与全CPU支持

Marker 2首次引入三路径转换机制：

• balanced模式：依赖Surya视觉语言模型（VLM）进行版面理解，对嵌入文本质量差的区域全页重OCR，GPU最优，76.0%准确率；
• fast模式：采用轻量级RF-DETR/ONNX版面检测器+pdftext，仅对必要区域调用VLM，66.6%准确率，成本显著降低；
• --disable_ocr模式：纯文本层提取，零VLM调用，完全运行于CPU，43.6%准确率但达23.7页/秒。

系统默认按设备自动选择模式（GPU→balanced，CPU/MPS→fast），且所有模式均支持纯CPU部署——包括2000万参数的Surya布局模型亦可在CPU上识别列、表格与标题。

架构创新：共享推理服务提升并发效率

性能跃升的关键在于新架构设计：多个轻量级CPU工作进程共享单一Surya推理服务，主进程统一调度VLM并发请求。这使吞吐量取决于服务器推理容量而非单进程显存，实测balanced模式在相同硬件上并发吞吐达2.9页/秒，远超单流模式的0.3页/秒。

兼容性与生态调整

升级需Python 3.10+；构建工具由Poetry迁移至uv（hatchling为构建后端），但`pip install marker-pdf`命令保持不变。原结构化抽取转换器（structured-extraction converter）及配套extractors已被移除，官方建议用户转向其托管API或启用`--use_llm`工作流。

可复现对比：开放基准与客观局限

所有对比数据（含MinerU、Docling、LiteParse）均由Datalab在统一硬件（B200）与同一olmOCR-bench文档集上运行开源评测框架得出，代码与竞品适配器均已公开。需注意：基准结果反映特定文档混合分布下的表现，企业实际应用前应使用自有语料库运行该框架验证排序。

编者观点：对于国内AI文档处理厂商，Marker 2证明了「轻量化模型+共享服务架构」可兼顾精度与吞吐，其CPU友好设计尤其适配边缘部署与国产化环境，值得在金融、政务等高合规场景中快速验证落地。