Was ist Marker?
Marker wandelt PDFs, Bilder sowie Word-, PowerPoint-, Excel-, HTML- und EPUB-Dateien in Markdown, HTML, JSON oder für Retrieval vorbereitete Chunks um. Tabellen, Formeln, Codeblöcke und Lesereihenfolge bleiben erhalten, wiederkehrende Kopf- und Fußzeilen werden entfernt. Gepflegt wird es von Datalab, das eine gehostete Dokument-API auf Basis derselben Modelle verkauft.
Version 2.0.0, erschienen am 20. Juli 2026, war eine Neufassung und ein Lizenzwechsel: Der Code wechselte von GPL-3.0 zu Apache 2.0. Die heruntergeladenen Modellgewichte stehen weiter unter einer modifizierten OpenRAIL-M-Lizenz. Sie sind kostenlos für Forschung, private Nutzung und Unternehmen mit weniger als 5 Mio. $ an Umsatz und Finanzierung; größere Unternehmen brauchen eine kommerzielle Lizenz von Datalab.
Es gibt zwei Modi. Balanced, der Standard auf einer GPU, nutzt das Vision-Modell Surya von Datalab für das Layout und liest schlechte Seiten erneut. Fast, der Standard auf der CPU, nutzt ein Layout-Modell mit 20 Mio. Parametern und den Text des PDFs selbst und ruft das Vision-Modell nur für Formeln und beschädigte Blöcke auf. Ein optionales Flag zieht ein externes LLM hinzu, standardmäßig Gemini, für mehrseitige Tabellen und Formulare.
Was kostet Marker?
| Tarif | Preis | Was enthalten ist |
|---|---|---|
| Code | Free | Apache 2.0; Gewichte kostenlos unter 5 Mio. $ Umsatz und Finanzierung |
| Datalab Convert | $4 per 1,000 pages | Fast oder balanced |
| Team plan | $400/month |
Code kostenlos unter Apache 2.0; Gewichte kostenlos unter 5 Mio. $ Umsatz und Finanzierung, darüber kommerzielle Lizenz. Gehostete Datalab-API: Convert 4 $ pro 1.000 Seiten (fast oder balanced); Team-Plan 400 $/Monat.
Lohnt sich Marker?
Marker ist der offene Konverter der Wahl, wenn PDFs das Problem sind und nicht Office-Dateien. Auf olmOCR-bench, einem Satz von 1.403 PDFs eines Dritten, meldet Datalab für den Balanced-Modus 76,0 Punkte insgesamt und 83,5 bei digital erzeugten Dateien, gegenüber 72,7 für die Pipeline von MinerU und 50,3 für Docling. Dabei konvertiert Marker 2,9 Seiten pro Sekunde auf einer B200, MinerU 0,54. Das sind Läufe des Maintainers selbst, aber das Testgerüst liegt im Repository und der Benchmark stammt nicht von Datalab. Das ist mehr, als die meisten Konkurrenten bieten.
Die Lizenz muss man zweimal lesen. Der Wechsel von GPL-3.0 zu Apache 2.0 im Juli 2026 hat den wichtigsten Einwand gegen das Einbetten des Codes in kommerzielle Software beseitigt. Ohne die Surya-Gewichte ist der Code aber nutzlos, und die sind nur für Unternehmen mit weniger als 5 Mio. $ an Umsatz und Finanzierung kostenlos. Oberhalb dieser Grenze bleibt die Wahl zwischen einer kommerziellen Lizenz und der API von Datalab. Docling und MarkItDown kennen keine solche Bedingung.
Die Modi sind ein echter Kompromiss und keine Marketingstufen. Der Fast-Modus erreicht 66,6 Punkte bei 7,4 Seiten pro Sekunde, fällt bei arXiv-Mathematik aber auf 23,4, weil er Formeln aus der Textebene liest. Reine Extraktion aus der Textebene läuft auf der CPU mit 23,7 Seiten pro Sekunde und erzielt null bei Mathematik und 14,3 bei alten Scans. Ein Bestand sauberer Verträge kommt mit der CPU aus; ein gescanntes Archiv oder eine Sammlung von Fachartikeln braucht eine GPU und den Balanced-Modus.
Im Betrieb bringt Version 2 mehr bewegliche Teile mit. Der Balanced-Modus startet einen vLLM-Inferenzserver in Docker auf NVIDIA-GPUs, anderswo llama.cpp, und viele schlanke Worker teilen ihn sich. Der mitgelieferte API-Server bietet nur fünf Parameter und wird im README als nicht sehr robust beschrieben. Einen Produktivdienst baut man also entweder um die Python-API herum oder kauft ihn bei Datalab, dessen eigenes Modell Chandra 2 im selben Benchmark 85,8 Punkte erreicht.
Wo es sich lohnt
Ein ML-Engineer, der eine Suche über 200.000 wissenschaftliche Artikel baut
PDFs mit Formeln und Tabellen in saubere Markdown-Chunks umwandeln
Lass marker im Balanced-Modus auf einem GPU-Host mit --output_format chunks über den Ordner laufen; Formeln kommen als LaTeX heraus. Bei den gemeldeten 2,9 Seiten pro Sekunde auf einer B200 dauert ein Bestand von 2 Millionen Seiten auf einer Maschine etwa acht Tage, oder er wird mit --num_chunks auf mehrere Knoten verteilt.
Ein Legal-Tech-Startup unter 5 Mio. $ Umsatz, das Mandantenverträge verarbeitet
Digital erzeugte Verträge ohne GPUs oder Seitengebühren in Markdown umwandeln
Nutze den Fast-Modus mit --disable_ocr auf gewöhnlichen CPU-Instanzen; der Vision-Server startet dann nie. Bei dieser Unternehmensgröße sind die Gewichte kostenlos, aber die Lizenz muss neu geprüft werden, sobald Umsatz oder Finanzierung 5 Mio. $ übersteigen.
Ein Head of Operations bei einem Versicherer mit 2.000 Beschäftigten, der Eigenbau und Einkauf vergleicht
Zwischen selbst gehostetem Marker und der bezahlten API von Datalab entscheiden
Bei 100.000 Seiten im Monat kostet die API zum Convert-Preis von 4 $ pro 1.000 Seiten etwa 400 $. Das deckt der Team-Plan für 400 $ ab, der zusätzlich ein BAA bietet. Selbst hosten erfordert bei dieser Größe eine kommerzielle Lizenz für die Gewichte, dazu GPU- und Bereitschaftskosten.
Bevor du dich festlegst
- Einrichtung
- pip install marker-pdf (oder marker-pdf[full] für Office und EPUB) auf Python 3.10+ mit PyTorch, dann marker_single file.pdf. Der GPU-Modus braucht außerdem Docker und das NVIDIA Container Toolkit; CPU und Apple Silicon brauchen llama-server von llama.cpp.
- Integrationen
- Python-API, CLI, eine Streamlit-App und ein kleiner FastAPI-Server; optionaler LLM-Boost über Gemini, Vertex, Claude, OpenAI-kompatible Endpunkte, Azure OpenAI, OpenRouter oder Ollama; ein Beispiel für das Deployment auf Modal.
- Daten und Datenschutz
- Läuft lokal; beim Lesen des Repositorys haben wir keine Telemetrie gefunden. Dokumente verlassen die Maschine nur, wenn --use_llm sie an ein externes Modell schickt, standardmäßig Gemini. Gewichte unter modifizierter OpenRAIL-M-Lizenz. Die gehostete API von Datalab hat auf jedem Plan SOC 2 Type II und Datenspeicherung nur auf Wunsch.
- Kosten im großen Maßstab
- Selbst gehostet sind die Kosten GPU-Zeit: Laut README erreichte der Balanced-Modus 2,9 Seiten pro Sekunde auf einer B200 bei etwa 30% GPU-Auslastung. Die API von Datalab rechnet pro 1.000 Seiten ab: 0,50 $ für Convert lite, 4 $ für fast oder balanced, 10 $ für accurate, mit 25% Aufschlag für Verarbeitung in der EU.
- Grenzen
- Verschachtelte Tabellen und Formulare können laut README scheitern; der API-Server kann --use_llm nicht nutzen; der VRAM-Bedarf ist nicht veröffentlicht. 385 offene Issues.
Was gut ist
- 76,0 Punkte auf olmOCR-bench im Balanced-Modus, vor der Pipeline von MinerU und Docling
- Code im Juli 2026 auf Apache 2.0 umlizenziert
- Reiner CPU-Pfad für digital erzeugte PDFs
- Ausgabe als Markdown, HTML, JSON mit Bounding Boxes und Chunks
Was nicht
- Gewichte brauchen oberhalb von 5 Mio. $ Umsatz oder Finanzierung eine kommerzielle Lizenz
- Der Balanced-Modus braucht Docker und einen GPU-gestützten vLLM-Server
- Der Fast-Modus ist schwach bei Formeln
- Der mitgelieferte API-Server ist einfach und nicht gehärtet
Am besten für
RAG- und Datenteams, die große Mengen komplexer oder gescannter PDFs auf eigener Hardware konvertieren.
Alternativen zu Marker
Marker: häufige Fragen
- Lohnt sich Marker?
- Marker macht aus schwierigen PDFs brauchbares Markdown, besser als jede andere offene Pipeline, die seine Macher gemessen haben. Die Lizenz der Gewichte setzt dieser Freiheit allerdings eine Umsatzgrenze. Wir bewerten es mit 4.3 von 5.
- Was kostet Marker?
- Code kostenlos unter Apache 2.0; Gewichte kostenlos unter 5 Mio. $ Umsatz und Finanzierung, darüber kommerzielle Lizenz. Gehostete Datalab-API: Convert 4 $ pro 1.000 Seiten (fast oder balanced); Team-Plan 400 $/Monat.
- Welche Nachteile hat Marker?
- Gewichte brauchen oberhalb von 5 Mio. $ Umsatz oder Finanzierung eine kommerzielle Lizenz; Der Balanced-Modus braucht Docker und einen GPU-gestützten vLLM-Server; Der Fast-Modus ist schwach bei Formeln; Der mitgelieferte API-Server ist einfach und nicht gehärtet.
- Für wen eignet sich Marker?
- RAG- und Datenteams, die große Mengen komplexer oder gescannter PDFs auf eigener Hardware konvertieren.
- Was kostet Marker für ein Team oder im Produktivbetrieb?
- Selbst gehostet sind die Kosten GPU-Zeit: Laut README erreichte der Balanced-Modus 2,9 Seiten pro Sekunde auf einer B200 bei etwa 30% GPU-Auslastung. Die API von Datalab rechnet pro 1.000 Seiten ab: 0,50 $ für Convert lite, 4 $ für fast oder balanced, 10 $ für accurate, mit 25% Aufschlag für Verarbeitung in der EU.
- Ist Marker sicher für Firmendaten?
- Läuft lokal; beim Lesen des Repositorys haben wir keine Telemetrie gefunden. Dokumente verlassen die Maschine nur, wenn --use_llm sie an ein externes Modell schickt, standardmäßig Gemini. Gewichte unter modifizierter OpenRAIL-M-Lizenz. Die gehostete API von Datalab hat auf jedem Plan SOC 2 Type II und Datenspeicherung nur auf Wunsch.
- Was sind die besten Alternativen zu Marker?
- Die nächsten Alternativen, die wir getestet haben, sind Docling, MarkItDown, Unstructured, pdf-inspector und Xberg (formerly Kreuzberg).
Antworten geprüft am 23. Okt. 2026.