¿Qué es Marker?
Marker convierte archivos PDF, imágenes, Word, PowerPoint, Excel, HTML y EPUB en Markdown, HTML, JSON o fragmentos listos para recuperación, y conserva tablas, ecuaciones, bloques de código y orden de lectura, además de eliminar encabezados y pies de página repetidos. Lo mantiene Datalab, que vende una API de documentos alojada construida sobre los mismos modelos.
La versión 2.0.0, publicada el 20 de julio de 2026, fue una reescritura y un cambio de licencia: el código pasó de GPL-3.0 a Apache 2.0. Los pesos del modelo que descarga siguen bajo una licencia OpenRAIL-M modificada, gratuita para investigación, uso personal y empresas con menos de 5M $ entre ingresos y financiación; las empresas más grandes necesitan una licencia comercial de Datalab.
Funciona en dos modos. Balanced, el predeterminado en GPU, usa el modelo de visión Surya de Datalab para el diseño de página y vuelve a leer las páginas defectuosas; fast, el predeterminado en CPU, usa un modelo de diseño de 20M de parámetros y el propio texto del PDF, y solo llama al modelo de visión para ecuaciones y bloques dañados. Un indicador opcional añade un LLM externo, Gemini por defecto, para tablas de varias páginas y formularios.
¿Cuánto cuesta Marker?
| Plan | Precio | Qué incluye |
|---|---|---|
| Code | Free | Apache 2.0; pesos gratuitos por debajo de 5M $ entre ingresos y financiación |
| Datalab Convert | $4 per 1,000 pages | Fast o balanced |
| Team plan | $400/month |
Código gratuito bajo Apache 2.0; pesos gratuitos por debajo de 5M $ entre ingresos y financiación, licencia comercial por encima. API alojada de Datalab: Convert a 4 $ por 1.000 páginas (fast o balanced); plan Team a 400 $/mes.
¿Merece la pena Marker?
Marker es el conversor abierto al que recurrir cuando el problema son los PDF, no los archivos de Office. En olmOCR-bench, un conjunto de terceros con 1.403 PDF, Datalab atribuye al modo balanced 76,0 en total y 83,5 en archivos nativos digitales, frente a 72,7 del pipeline de MinerU y 50,3 de Docling, mientras convierte 2,9 páginas por segundo en una B200 frente a 0,54 de MinerU. Son ejecuciones del propio mantenedor, pero el arnés está en el repositorio y el benchmark no es de Datalab, lo que ya es más de lo que ofrecen la mayoría de sus rivales.
La licencia hay que leerla dos veces. El paso de GPL-3.0 a Apache 2.0 en julio de 2026 eliminó la principal objeción a integrar el código en software comercial, pero el código no sirve de nada sin los pesos de Surya, y esos solo son gratuitos para empresas con menos de 5M $ entre ingresos y financiación. Por encima de ese umbral, la opción es una licencia comercial o la API de Datalab. Docling y MarkItDown no tienen esa condición.
Los modos son una disyuntiva real, no niveles de marketing. El modo fast obtiene 66,6 a 7,4 páginas por segundo, pero cae a 23,4 en matemáticas de arXiv, porque lee las ecuaciones de la capa de texto; la extracción pura de la capa de texto funciona en CPU a 23,7 páginas por segundo y saca cero en matemáticas y 14,3 en escaneos antiguos. Un corpus de contratos limpios puede ir en CPU; un archivo escaneado o una biblioteca de artículos necesita una GPU y el modo balanced.
En la operación, la versión 2 añade piezas móviles. El modo balanced lanza un servidor de inferencia vLLM en Docker sobre GPU de NVIDIA, o llama.cpp en otros casos, y muchos workers ligeros lo comparten. El servidor de API incluido expone solo cinco parámetros y el README lo describe como poco robusto, así que un servicio de producción se construye sobre la API de Python o se compra a Datalab, cuyo propio modelo Chandra 2 obtiene 85,8 en el mismo benchmark.
Dónde se gana su sitio
Un ingeniero de ML que construye un buscador sobre 200.000 artículos científicos
Convertir PDF con ecuaciones y tablas en fragmentos de Markdown limpios
Ejecutar marker sobre la carpeta en modo balanced en un servidor con una GPU y --output_format chunks; las ecuaciones salen en LaTeX. A las 2,9 páginas por segundo declaradas en una B200, un corpus de 2 millones de páginas tarda unos ocho días en una sola máquina, o puede repartirse entre nodos con --num_chunks.
Una startup de legal tech con menos de 5M $ de ingresos que procesa contratos de clientes
Convertir contratos nativos digitales a Markdown sin GPU ni tarifas por página
Usar el modo fast con --disable_ocr en instancias normales de CPU, que nunca arranca el servidor de visión. Los pesos son gratuitos para una empresa de este tamaño, pero hay que revisar la licencia cuando los ingresos o la financiación superen los 5M $.
Un responsable de operaciones de una aseguradora de 2.000 personas que compara construir y comprar
Decidir entre alojar Marker por su cuenta o pagar la API de Datalab
Con 100.000 páginas al mes, el precio de Convert de la API, 4 $ por 1.000 páginas, sale por unos 400 $, que cubre el plan Team de 400 $, que además añade un BAA. Alojarlo por cuenta propia exige a este tamaño una licencia comercial de los pesos, más los costes de GPU y de guardias.
Antes de decidirte
- Puesta en marcha
- pip install marker-pdf (o marker-pdf[full] para Office y EPUB) en Python 3.10+ con PyTorch, y luego marker_single file.pdf. El modo GPU necesita además Docker y el NVIDIA Container Toolkit; CPU y Apple Silicon necesitan llama-server de llama.cpp.
- Integraciones
- API de Python, CLI, una app de Streamlit y un peque ño servidor FastAPI; refuerzo opcional con LLM a través de Gemini, Vertex, Claude, endpoints compatibles con OpenAI, Azure OpenAI, OpenRouter u Ollama; un ejemplo de despliegue en Modal.
- Datos y privacidad
- Se ejecuta en local, sin telemetría según nuestra lectura del repositorio; los documentos solo salen de la máquina si --use_llm los envía a un modelo externo, Gemini por defecto. Pesos bajo OpenRAIL-M modificada. La API alojada de Datalab tiene SOC 2 Type II en todos los planes y retención de datos opcional.
- Coste a escala
- El coste en alojamiento propio es tiempo de GPU: el modo balanced alcanzó 2,9 páginas por segundo en una B200 usando alrededor del 30% de la GPU, según el README. La API de Datalab cobra por cada 1.000 páginas: 0,50 $ por Convert lite, 4 $ por fast o balanced y 10 $ por accurate, con un 25% más por procesar en la UE.
- Límites
- Las tablas anidadas y los formularios pueden fallar, según reconoce el propio README; el servidor de API no puede usar --use_llm; no se publican los requisitos de VRAM. 385 incidencias abiertas.
Lo bueno
- 76,0 en olmOCR-bench en modo balanced, por delante del pipeline de MinerU y de Docling
- Código con licencia Apache 2.0 desde julio de 2026
- Ruta solo con CPU para PDF nativos digitales
- Salida en Markdown, HTML, JSON con cuadros delimitadores y fragmentos
Lo malo
- Los pesos requieren licencia comercial por encima de 5M $ de ingresos o financiación
- El modo balanced necesita Docker y un servidor vLLM con GPU
- El modo fast flojea con las ecuaciones
- El servidor de API incluido es básico y no está reforzado
Ideal para
Equipos de RAG y de datos que convierten grandes volúmenes de PDF complejos o escaneados en su propio hardware.
Alternativas a Marker
Marker: preguntas frecuentes
- ¿Merece la pena Marker?
- Marker convierte PDF difíciles en Markdown utilizable mejor que cualquier otra herramienta abierta que hayan medido sus creadores, aunque la licencia de los pesos pone un techo de ingresos a esa libertad. Le damos un 4.3 sobre 5.
- ¿Cuánto cuesta Marker?
- Código gratuito bajo Apache 2.0; pesos gratuitos por debajo de 5M $ entre ingresos y financiación, licencia comercial por encima. API alojada de Datalab: Convert a 4 $ por 1.000 páginas (fast o balanced); plan Team a 400 $/mes.
- ¿Qué inconvenientes tiene Marker?
- Los pesos requieren licencia comercial por encima de 5M $ de ingresos o financiación; el modo balanced necesita Docker y un servidor vLLM con GPU; el modo fast flojea con las ecuaciones; el servidor de API incluido es básico y no está reforzado.
- ¿Para quién es Marker?
- Equipos de RAG y de datos que convierten grandes volúmenes de PDF complejos o escaneados en su propio hardware.
- ¿Cuánto cuesta Marker para un equipo o en producción?
- El coste en alojamiento propio es tiempo de GPU: el modo balanced alcanzó 2,9 páginas por segundo en una B200 usando alrededor del 30% de la GPU, según el README. La API de Datalab cobra por cada 1.000 páginas: 0,50 $ por Convert lite, 4 $ por fast o balanced y 10 $ por accurate, con un 25% más por procesar en la UE.
- ¿Es Marker seguro para los datos de la empresa?
- Se ejecuta en local, sin telemetría según nuestra lectura del repositorio; los documentos solo salen de la máquina si --use_llm los envía a un modelo externo, Gemini por defecto. Pesos bajo OpenRAIL-M modificada. La API alojada de Datalab tiene SOC 2 Type II en todos los planes y retención de datos opcional.
- ¿Cuáles son las mejores alternativas a Marker?
- Las alternativas más cercanas que hemos analizado son Docling, MarkItDown, Unstructured, pdf-inspector y Xberg (formerly Kreuzberg).
Respuestas comprobadas el 23 oct 2026.