Datalab、文書変換ツール「Marker 2」を公開

Datalab は、オープンソースのドキュメント変換パイプラインを全面書き換えした「Marker 2」をリリースしました。このツールは PDF、画像、PPTX、DOCX、XLSX、HTML、EPUB といった多様なファイル形式を、Markdown、JSON、HTML、あるいはチャンク単位に変換できます。Datalab チームは過去数ヶ月で開発された 3 つの主要コンポーネントを核に再構築しました。具体的には、20M パラメータの高速レイアウトモデル「Surya OCR 2」と、従来比で 3 倍の速度を誇る再構築版「pdftext」です。

評価結果は、Allen AI が提供する第三者ベンチマーク「olmOCR-bench」から得られました。Marker 2 のバランスモードでは全体スコアが 76.0%、デジタルネイティブな PDF では 83.5% を記録しています。また、単一の B200 GPU で秒間 2.9 ページの処理速度を維持可能です。これは MinerU のパイプラインバックエンド（スコア 72.7%、処理速度 0.54 ページ/秒）と比較して、スループットが 5 倍以上に達していることを意味します。同様の環境で Docling をテストした結果は、処理速度 2.1 ページ/秒に対しスコア 50.3% でした。

Marker 2 の新機能

Marker 2 では、従来の単一パスから 3 つの変換パスを選択可能になりました。

• balanced（バランスモード）: Surya VLM がレイアウトを解析し、埋め込まれたテキストの品質が低い場合はページ全体を再 OCR します。最高品質を実現し、GPU 環境での性能も最適です。olmOCR-bench のスコアは 76.0%。
• fast（高速モード）: 軽量な rf-detr/onnx レイアウト検出器と pdftext を組み合わせ、VLM の使用を最小限に抑えた外科的なアプローチです。スコアは 66.6% で、コスト面で大幅に有利です。
• –disable_ocr（OCR 無効）: テキスト層からの抽出のみを行い、VLM の呼び出しは一切行いません。CPU のみで完結します。スコアは 43.6%、処理速度は秒間 23.7 ページです。

デフォルトでデバイス認識機能が有効になり、GPU ではバランス型、CPU や MPS では高速動作します。必要に応じて –mode オプションで切り替え可能です。2 つ目の構造的変更は CPU 完全サポートの実装です。fast モードの –disable_ocr を使えば GPU も推論サーバーも不要となり、2,000 万パラメータのレイアウトモデルでも CPU でカラム、テーブル、ヘッダーの読み取りが可能です。

3 つ目の変更はアーキテクチャに関するもので、スループット数値に直結する部分です。多数のスリムな 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 VLM の並行処理数をワーカー間で調整するため、スループットはプロセスごとの VRAM に依存せず、サーバーの容量に応じてスケールします。Datalab によると、同じハードウェア環境でバランスモードでは約 2.9 pg/s を維持できる一方、シングルストリームでは約 0.3 pg/s にとどまります。

アップグレード前に注意すべき変更点があります。Python 3.10 以上が必須となりました。パッケージ管理は Poetry から uv へ移行し、ビルドバックエンドには hatchling が採用されましたが、pip install marker-pdf のコマンド自体に変更はありません。構造化抽出コンバーターと抽出器は削除され、Datalab ではホストされた API または –use_llm ワークフローの利用を推奨しています。

比較評価

スコアリングベンチマークには Ai2 が提供する olmOCR-bench を使用しました。数学レンダリング、テーブル構造、読み取り順序、ヘッダーとフッター、および古いスキャン画像を対象に、1,403 件の PDF と約 8,400 のパス/フェイル単体テストを網羅しています。総合スコアは公式の olmOCR-bench チェッカーを用いて、8 つのカテゴリ全体のマクロ平均として計算されます。スループットは B200 ホスト 1 台での持続的な並行処理速度（pg/s）を示し、シングルストリームのレイテンシではありません。

出典に関する注記

olmOCR-bench は Ai2 が提供する第三者によるベンチマークですが、以下に示すすべてのスコアとスループット数値は、Datalab 独自の環境で実行した結果に基づいています。これらの結果はすべて、Marker リポジトリに同梱されているオープンなハネスを通じて再現可能です。このハネスには、Competitor（競合）ランナーとして MinerU、Docling、LiteParse の各実装も含まれており、Marker 自体の実装とともに比較検証が可能です。

なお、これらの数値は特定のハードウェア構成で測定された単一のベンチマークにおけるドキュメントミックスの結果を反映したものです。そのため、実際の環境や対象となる文書によっては結果が異なる可能性があります。各チームがこれらのシステムを評価する際は、自社のコーパスに対してハネスを実行することが不可欠です。これが、実際に処理する文書において 4 つのシステムがどのようにランク付けされるかを把握するための唯一の方法となります。

Marker 2 と MinerU の比較

MinerU のパイプラインバックエンドは、アーキテクチャの面で最も類似した構成を持っています。両者とも PDF のテキストレイヤーを読み取り、必要な箇所に限って OCR を実行します。総合スコアでは Marker がバランスモードで 76.0 を記録し、MinerU の 72.7 をわずかに上回っています。一方、デジタルネイティブ（原本がデジタル形式）のドキュメントに限れば、両者の性能はほぼ同等です。Marker は 83.5、MinerU は 83.3 と、僅差ながら Marker が上回ります。

決定的な違いはスループットにあります。Marker のバランスモードでは 2.9 pg/s を維持するのに対し、MinerU は 0.54 pg/s です。これはスコアがより高い状態で約 5.4 倍の開きがあります。また、Marker の高速モードでは 7.4 pg/s を達成し、これは MinerU のパイプライン速度の約 13.7 倍に相当しますが、その代償としてスコアは MinerU よりも 6.1 ポイント低くなります。

MinerU はさらに VLM（Vision Language Model）バックエンドも提供しており、Datalab によるとこれはパイプラインバックエンドよりも高いスコアを記録します。ただし、この VLM ベースのアプローチは全ページを対象とするものであり、今回の比較表には含まれていません。MinerU の評価を検討する AI チームは、このパスについても別途ベンチマークを行う必要があります。

Marker 2 と Docling の比較

GPU パイプラインにおける Docling の評価は、他のツール群と比べて最も高い結果を示しました。Marker 2 は全体スコアで 76.0 を記録し、Docling の 50.3 を大きく引き離しています。特に「デジタルネイティブ」な文書においては、83.5 と 64.0 で差をつけると同時に、処理速度も 1 ページあたり 2.9 セグメント（pg/s）と Docling の 2.1 を上回っています。

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。これはデジタルネイティブなページではテキストレイヤーを、画像領域では OCR をそれぞれ利用する構成です。

Docling の強みは精度ではなく、ガバナンスの充実と対応フォーマットの広さにあります。このコードベースは IBM リサーチから生まれ、LF AI & Data Foundation 内のプロジェクトとしてホストされています。ライセンスは MIT です。また、入力対象も文書に限定されず、音声やメール形式にも拡張可能です。

Marker 2 vs LiteParse

LlamaIndex チームが開発した Rust ベースのドキュメントパーサー「LiteParse」は、同じ軸で競うものではありません。CPU でのスコアは全体で 22.4（OCR オフ時は 20.4）であり、Marker の CPU モードのみでの 43.6 に劣ります。

しかし、LiteParse は OCR を無効化した場合に 1 ページあたり 1721 セグメントという驚異的な速度を記録します。これは Marker の CPU モードの約 73 倍に相当し、これが両者のトレードオフです。Marker の高速モード（disable_ocr）は、CPU 上で 2000 万パラメータのレイアウトモデルを実行しながらも構造情報を保持できるため、単なるテキストダンプよりもスコアを倍以上に引き上げています。一方、LiteParse にはレイアウトモデルが存在しないため、非線形なデータ構造に対しては対応が困難です。

Marker 2 vs the full-page VLM tier

Datalab チームは、Marker が VLM（ビジョン・ランゲージ・モデル）ではなくパイプラインとして設計されている点を強調し、これらは明確に異なるツールであると説明しています。今回の評価では、同社が提供する Chandra 2 のスコアは 85.8 点でした。一方、API を経由した Gemini Flash 3.5 は 76.4 点です。Datalab の Chandra リポジトリには別表として、Ai2 の olmOCR 2 が 82.4 点、dots.ocr 1.5 が 83.9 点と記載されています。スキャン画像や数式が多いページ、そして最高精度を追求するケースでは、VLM タイプがリストされたすべてのパイプラインを上回る性能を発揮します。

Marker のバランスモードでは、全体スコアで Gemini Flash 3.5 にわずか 0.4 ポイント差まで迫ります。さらに、デジタルネイティブな文書においては、1 ページごとの API 呼び出しを必要とせずながら、Gemini Flash 3.5 を上回る 83.5 対 79.1 のスコアを記録しました。

カテゴリごとの挙動

選択するモードは、単なるスコアの高低だけでなく、失敗のパターンも変化させます。各行は olmOCR-bench の各カテゴリを示し、3 つのモードすべてで評価されています。数式処理が最大の難所です。高速モードでは PDF のテキストレイヤーから数式を読み取るため、VLM による OCR に頼るのではなく、arXiv の数式スコアは 83.9 から 23.4 へと激減します。また、設計上、–disable_ocr オプションを指定するとこのカテゴリでのスコアは 0.0 になります。

数式関連の 2 つのカテゴリ以外では、「古いスキャン」がどのモードでも最も弱点となり、最高でも 43.2 点にとどまります。

ライセンス

商用チームにとって、この 4 つのシステムが最も大きく分かれるのがライセンス条件です。

Marker のコードは Apache 2.0 ライセンスです。モデルの重み（ウェイト）には、AI Pubs OpenRAIL-M ライセンスを改変したものが採用されています。これは研究目的や個人利用、資金調達額または収益が 500 ドル未満のスタートアップであれば無料で利用可能です。それを超える商用利用については、有料ライセンスが必要です。

MinerU は現在、追加条件付きの Apache 2.0 をベースにした MinerU オープンソースライセンスの下にあります。月間アクティブユーザー（MAU）が 1 億人を超えたり、月額収益が 2,000 ドルを超える場合、またはこれらを基盤としたオンラインサービスを提供する場合は別途商用ライセンスが必要です。

Docling は MIT ライセンスです。モデルごとのライセンスは、それぞれの元パッケージで個別に管理されています。

LiteParse もオープンソースですが、run-llama 社が提供しています。同社の LlamaParse は、難解な文書処理のための有料クラウドサービスとして位置づけられています。

ユースケースによる比較

スコアだけで最適なツールを選ぶことはできません。データセットの種類、ハードウェア環境、ライセンスの適用範囲、そして出力形式が選択を決定づけます。以下のインタラクティブなピッカーを使って、制約条件やツールの違いで 10 のデプロイメントシナリオをフィルタリングし、あなたのユースケースに最適なパーサーを見つけましょう。

@media (max-width:640px){#mtp-marker-usecase iframe{height:1900px!important}}

キーポイント

Marker v2 は olmOCR-bench で 76.0% のスコアを記録し、処理速度は秒間 2.9 ページです。これは MinerU のパイプラインの処理能力を 5 倍以上上回る結果です。

Docling と比較しても両方の指標で優れています。精度では 76.0% 対 50.3%、速度では秒間 2.9 ページ対 2.1 ページと Marker v2 がリードしています。

LiteParse は構造の正確さを犠牲にして速度を追求しており、OCR をオフにした場合の処理速度は秒間 1721 ページに達しますが、CPU 上での精度は 20.4% で、Marker の 43.6% に劣ります。

"--disable_ocr" オプションで高速モードを有効にすると、推論サーバーを使わず CPU のみで動作し、秒間 23.7 ページの処理が可能になります。

ライセンス形態も分野を二分しています。Docling は MIT ライセンスですが、MinerU は月間収益が 2000 万ドルまで無料、Marker v2 は 500 万ドルを超えると有料ライセンスが必要となります。

すべてのベンチマーク結果と処理速度の数値は、再現可能なベンチマーク・ハッチ（harness）と共に公開されています。

インタラクティブな動的解説

@media (max-width:640px){#mtp-marker2-modes iframe{height:960px!important}}

リンク: GitHub リポジトリ | リリースノート | ブログ記事 | 発表ツイート