Qu’est-ce que Marker ?
Marker convertit les PDF, images, fichiers Word, PowerPoint, Excel, HTML et EPUB en Markdown, HTML, JSON ou en morceaux prêts pour la récupération, en gardant les tableaux, équations, blocs de code et l'ordre de lecture, et en retirant les en-têtes et pieds de page courants. Il est maintenu par Datalab, qui vend une API de documents hébergée bâtie sur les mêmes modèles.
La version 2.0.0, sortie le 20 juillet 2026, était une réécriture et un changement de licence : le code est passé de GPL-3.0 à Apache 2.0. Les poids de modèles qu'il télécharge restent sous une licence OpenRAIL-M modifiée, gratuite pour la recherche, l'usage personnel et les entreprises sous 5M$ de revenus et de financement ; les plus grandes entreprises ont besoin d'une licence commerciale de Datalab.
Il tourne en deux modes. Balanced, le défaut sur GPU, utilise le modèle de vision Surya de Datalab pour la disposition et relit les mauvaises pages ; fast, le défaut sur CPU, utilise un modèle de disposition de 20M de paramètres et le texte propre du PDF, n'appelant le modèle de vision que pour les équations et les blocs endommagés. Un flag optionnel ajoute un LLM externe, Gemini par défaut, pour les tableaux et formulaires multi-pages.
Combien coûte Marker ?
| Offre | Prix | Ce qui est inclus |
|---|---|---|
| Code | Free | Apache 2.0 ; poids gratuits sous 5M$ de revenus et de financement |
| Datalab Convert | $4 per 1,000 pages | Fast ou balanced |
| Team plan | $400/month |
Code gratuit sous Apache 2.0 ; poids gratuits sous 5M$ de revenus et de financement, licence commerciale au-dessus. API Datalab hébergée : Convert 4 $ par 1 000 pages (fast ou balanced) ; plan Team 400 $/mois.
Marker vaut-il le coup ?
Marker est le convertisseur ouvert vers lequel se tourner quand les PDF, pas les fichiers Office, sont le problème. Sur olmOCR-bench, un ensemble tiers de 1 403 PDF, Datalab rapporte le mode balanced à 76,0 au total et 83,5 sur les fichiers nés numériques, contre 72,7 pour le pipeline de MinerU et 50,3 pour Docling, tout en convertissant 2,9 pages par seconde sur un B200 contre 0,54 pour MinerU. Ce sont les propres exécutions du mainteneur, mais le harnais est dans le dépôt et le benchmark n'est pas celui de Datalab, ce qui est plus que ce que la plupart des rivaux offrent.
La licence a besoin d'être lue deux fois. Le passage de juillet 2026 de GPL-3.0 à Apache 2.0 a retiré la principale objection à intégrer le code dans un logiciel commercial, mais le code est inutile sans les poids Surya, et ceux-ci ne sont gratuits que pour les entreprises sous 5M$ de revenus et de financement. Au-dessus de cette ligne, le choix est une licence commerciale ou l'API de Datalab. Docling et MarkItDown ne portent aucune telle condition.
Les modes sont un vrai compromis plutôt que des paliers marketing. Le mode fast obtient 66,6 à 7,4 pages par seconde mais tombe à 23,4 sur les maths arXiv, parce qu'il lit les équations depuis la couche de texte ; l'extraction pure de couche de texte tourne sur CPU à 23,7 pages par seconde et obtient zéro sur les maths et 14,3 sur les anciens scans. Un corpus de contrats propres peut tourner sur CPU ; une archive scannée ou une bibliothèque d'articles a besoin d'un GPU et du mode balanced.
Opérationnellement, la version 2 ajoute des pièces mobiles. Le mode balanced génère un serveur d'inférence vLLM dans Docker sur les GPU NVIDIA, ou llama.cpp ailleurs, et de nombreux workers fins le partagent. Le serveur d'API fourni n'expose que cinq paramètres et est décrit dans le README comme pas très robuste, si bien qu'un service de production est soit construit autour de l'API Python, soit acheté chez Datalab, dont le propre modèle Chandra 2 obtient 85,8 sur le même benchmark.
Là où il fait la différence
Un ingénieur ML qui construit une recherche sur 200 000 articles scientifiques
Transformer des PDF avec équations et tableaux en morceaux Markdown propres
Lancez marker sur le dossier en mode balanced sur un hôte GPU avec --output_format chunks ; les équations sortent en LaTeX. Aux 2,9 pages par seconde rapportées sur un B200, un corpus de 2 millions de pages prend environ huit jours sur une machine, ou peut être réparti entre nœuds avec --num_chunks.
Une start-up legal-tech sous 5M$ de revenus qui traite des contrats clients
Convertir des contrats nés numériques en Markdown sans GPU ni frais par page
Utilisez le mode fast avec --disable_ocr sur des instances CPU ordinaires, qui ne démarre jamais le serveur de vision. Les poids sont gratuits à cette taille d'entreprise, mais la licence doit être revisitée une fois que les revenus ou le financement dépassent 5M$.
Un responsable des opérations dans un assureur de 2 000 personnes qui compare construire et acheter
Décider entre auto-héberger Marker et payer pour l'API de Datalab
À 100 000 pages par mois, le prix Convert de l'API de 4 $ par 1 000 pages fait environ 400 $, que le plan Team à 400 $ couvre et ajoute un BAA. L'auto-hébergement a besoin d'une licence commerciale de poids à cette taille, plus les coûts de GPU et d'astreinte.
Avant de vous engager
- Mise en route
- pip install marker-pdf (ou marker-pdf[full] pour Office et EPUB) sur Python 3.10+ avec PyTorch, puis marker_single file.pdf. Le mode GPU a aussi besoin de Docker et du NVIDIA Container Toolkit ; le CPU et Apple Silicon ont besoin du llama-server de llama.cpp.
- Intégrations
- API Python, CLI, une appli Streamlit et un petit serveur FastAPI ; boost LLM optionnel via Gemini, Vertex, Claude, endpoints compatibles OpenAI, Azure OpenAI, OpenRouter ou Ollama ; un exemple de déploiement Modal.
- Données et confidentialité
- Tourne localement, sans télémétrie trouvée dans notre lecture du dépôt ; les documents ne quittent la machine que si --use_llm les envoie à un modèle externe, Gemini par défaut. Poids sous OpenRAIL-M modifiée. L'API hébergée de Datalab a SOC 2 Type II sur chaque offre et une rétention de données sur activation.
- Coût à grande échelle
- Le coût auto-hébergé est le temps GPU : le mode balanced a atteint 2,9 pages par seconde sur un B200 en utilisant environ 30 % du GPU, selon le README. L'API de Datalab facture par 1 000 pages : 0,50 $ pour le Convert lite, 4 $ pour fast ou balanced, 10 $ pour accurate, avec 25 % ajoutés pour le traitement UE.
- Limites
- Les tableaux imbriqués et les formulaires peuvent échouer, de l'aveu du README ; le serveur d'API ne peut pas utiliser --use_llm ; les besoins en VRAM ne sont pas publiés. 385 issues ouvertes.
Les points forts
- 76,0 sur olmOCR-bench en mode balanced, devant le pipeline de MinerU et Docling
- Code relicencié en Apache 2.0 en juillet 2026
- Chemin CPU uniquement pour les PDF nés numériques
- Sortie Markdown, HTML, JSON avec boîtes englobantes, et en morceaux
Les points faibles
- Les poids ont besoin d'une licence commerciale au-dessus de 5M$ de revenus ou de financement
- Le mode balanced a besoin de Docker et d'un serveur vLLM adossé à un GPU
- Le mode fast est faible sur les équations
- Le serveur d'API fourni est basique et non durci
Idéal pour
Les équipes RAG et données qui convertissent de grands volumes de PDF complexes ou scannés sur leur propre matériel.
Alternatives à Marker
Marker : questions fréquentes
- Marker vaut-il le coup ?
- Marker transforme les PDF difficiles en Markdown utilisable mieux que tout autre pipeline ouvert que ses créateurs ont mesuré, même si la licence des poids met un plafond de revenus sur cette liberté. Nous lui donnons 4.3 sur 5.
- Combien coûte Marker ?
- Code gratuit sous Apache 2.0 ; poids gratuits sous 5M$ de revenus et de financement, licence commerciale au-dessus. API Datalab hébergée : Convert 4 $ par 1 000 pages (fast ou balanced) ; plan Team 400 $/mois.
- Quels sont les inconvénients de Marker ?
- Les poids ont besoin d'une licence commerciale au-dessus de 5M$ de revenus ou de financement; le mode balanced a besoin de Docker et d'un serveur vLLM adossé à un GPU; le mode fast est faible sur les équations; le serveur d'API fourni est basique et non durci.
- À qui s’adresse Marker ?
- Les équipes RAG et données qui convertissent de grands volumes de PDF complexes ou scannés sur leur propre matériel.
- Combien coûte Marker pour une équipe ou en production ?
- Le coût auto-hébergé est le temps GPU : le mode balanced a atteint 2,9 pages par seconde sur un B200 en utilisant environ 30 % du GPU, selon le README. L'API de Datalab facture par 1 000 pages : 0,50 $ pour le Convert lite, 4 $ pour fast ou balanced, 10 $ pour accurate, avec 25 % ajoutés pour le traitement UE.
- Marker est-il sûr pour les données de l’entreprise ?
- Tourne localement, sans télémétrie trouvée dans notre lecture du dépôt ; les documents ne quittent la machine que si --use_llm les envoie à un modèle externe, Gemini par défaut. Poids sous OpenRAIL-M modifiée. L'API hébergée de Datalab a SOC 2 Type II sur chaque offre et une rétention de données sur activation.
- Quelles sont les meilleures alternatives à Marker ?
- Les alternatives les plus proches que nous avons testées sont Docling, MarkItDown, Unstructured, pdf-inspector et Xberg (formerly Kreuzberg).
Réponses vérifiées le 23 oct. 2026.