O que é Marker?
O Marker converte PDFs, imagens e arquivos Word, PowerPoint, Excel, HTML e EPUB em Markdown, HTML, JSON ou chunks prontos para recuperação, preservando tabelas, equações, blocos de código e a ordem de leitura, e removendo cabeçalhos e rodapés repetidos. É mantido pela Datalab, que vende uma API de documentos hospedada construída sobre os mesmos modelos.
A versão 2.0.0, lançada em 20 de julho de 2026, foi uma reescrita e uma troca de licença: o código passou de GPL-3.0 para Apache 2.0. Os pesos dos modelos que ele baixa continuam sob uma licença OpenRAIL-M modificada, gratuita para pesquisa, uso pessoal e empresas com menos de US$ 5M em receita e captação; empresas maiores precisam de uma licença comercial da Datalab.
Ele tem dois modos. O balanced, padrão em GPU, usa o modelo de visão Surya, da Datalab, para o layout e relê páginas ruins; o fast, padrão em CPU, usa um modelo de layout de 20M de parâmetros e o próprio texto do PDF, chamando o modelo de visão só para equações e blocos danificados. Uma flag opcional acrescenta um LLM externo, o Gemini por padrão, para tabelas de várias páginas e formulários.
Quanto custa Marker?
| Plano | Preço | O que inclui |
|---|---|---|
| Code | Free | Apache 2.0; pesos gratuitos abaixo de US$ 5M em receita e captação |
| Datalab Convert | $4 per 1,000 pages | Fast ou balanced |
| Team plan | $400/month |
Código gratuito sob Apache 2.0; pesos gratuitos abaixo de US$ 5M em receita e captação, licença comercial acima disso. API hospedada da Datalab: Convert a US$ 4 por 1.000 páginas (fast ou balanced); plano Team a US$ 400/mês.
Marker vale a pena?
O Marker é o conversor aberto a escolher quando o problema são PDFs, e não arquivos do Office. No olmOCR-bench, um conjunto de terceiros com 1.403 PDFs, a Datalab relata o modo balanced com 76,0 no geral e 83,5 em arquivos nativamente digitais, contra 72,7 do pipeline do MinerU e 50,3 do Docling, convertendo 2,9 páginas por segundo em uma B200 contra 0,54 do MinerU. São execuções do próprio mantenedor, mas o harness está no repositório e o benchmark não é da Datalab, o que é mais do que a maioria dos rivais oferece.
A licença precisa ser lida duas vezes. A mudança de julho de 2026 de GPL-3.0 para Apache 2.0 eliminou a principal objeção a embutir o código em software comercial, mas o código não serve para nada sem os pesos do Surya, e eles só são gratuitos para empresas com menos de US$ 5M em receita e captação. Acima dessa linha, a escolha é uma licença comercial ou a API da Datalab. Docling e MarkItDown não têm essa condição.
Os modos são uma troca real, não níveis de marketing. O modo fast marca 66,6 a 7,4 páginas por segundo, mas cai para 23,4 em matemática do arXiv, porque lê as equações da camada de texto; a extração pura da camada de texto roda em CPU a 23,7 páginas por segundo e marca zero em matemática e 14,3 em digitalizações antigas. Um acervo de contratos limpos pode rodar em CPU; um arquivo digitalizado ou uma biblioteca de artigos precisa de GPU e do modo balanced.
Na operação, a versão 2 acrescenta peças móveis. O modo balanced sobe um servidor de inferência vLLM em Docker em GPUs NVIDIA, ou llama.cpp nos demais casos, e muitos workers leves o compartilham. O servidor de API incluído expõe só cinco parâmetros e é descrito no README como pouco robusto, então um serviço de produção ou é construído sobre a API Python ou é comprado da Datalab, cujo próprio modelo Chandra 2 marca 85,8 no mesmo benchmark.
Onde ele se destaca
Um engenheiro de ML construindo busca sobre 200.000 artigos científicos
Transformar PDFs com equações e tabelas em chunks limpos de Markdown
Rode o marker na pasta no modo balanced em um host com uma GPU, com --output_format chunks; as equações saem em LaTeX. Aos 2,9 páginas por segundo relatados em uma B200, um acervo de 2 milhões de páginas leva cerca de oito dias em uma máquina, ou pode ser dividido entre nós com --num_chunks.
Uma startup de legal tech com menos de US$ 5M de receita que processa contratos de clientes
Converter contratos nativamente digitais em Markdown sem GPUs nem taxas por página
Use o modo fast com --disable_ocr em instâncias comuns de CPU, o que nunca inicia o servidor de visão. Os pesos são gratuitos nesse porte de empresa, mas a licença precisa ser revista quando a receita ou a captação passar de US$ 5M.
Um diretor de operações de uma seguradora de 2.000 pessoas comparando construir e comprar
Decidir entre auto-hospedar o Marker e pagar pela API da Datalab
Com 100.000 páginas por mês, o preço do Convert na API, de US$ 4 por 1.000 páginas, dá cerca de US$ 400, valor coberto pelo plano Team de US$ 400, que ainda acrescenta um BAA. Auto-hospedar exige, nesse porte, uma licença comercial dos pesos, mais custos de GPU e de plantão.
Antes de decidir
- Configuração
- pip install marker-pdf (ou marker-pdf[full] para Office e EPUB) em Python 3.10+ com PyTorch, depois marker_single file.pdf. O modo GPU também exige Docker e o NVIDIA Container Toolkit; CPU e Apple Silicon exigem o llama-server do llama.cpp.
- Integrações
- API Python, CLI, um app Streamlit e um pequeno servidor FastAPI; reforço opcional com LLM via Gemini, Vertex, Claude, endpoints compatíveis com OpenAI, Azure OpenAI, OpenRouter ou Ollama; um exemplo de implantação no Modal.
- Dados e privacidade
- Roda localmente, sem telemetria encontrada na nossa leitura do repositório; os documentos só saem da máquina se --use_llm os enviar a um modelo externo, o Gemini por padrão. Pesos sob OpenRAIL-M modificada. A API hospedada da Datalab tem SOC 2 Type II em todos os planos e retenção de dados opcional, por adesão.
- Custo em escala
- O custo auto-hospedado é tempo de GPU: o modo balanced chegou a 2,9 páginas por segundo em uma B200 usando cerca de 30% da GPU, segundo o README. A API da Datalab cobra por 1.000 páginas: US$ 0,50 no Convert lite, US$ 4 no fast ou balanced, US$ 10 no accurate, com 25% a mais para processamento na UE.
- Limites
- Tabelas aninhadas e formulários podem falhar, segundo o próprio README; o servidor de API não pode usar --use_llm; os requisitos de VRAM não são publicados. 385 issues abertas.
O que é bom
- 76,0 no olmOCR-bench no modo balanced, à frente do pipeline do MinerU e do Docling
- Código relicenciado para Apache 2.0 em julho de 2026
- Caminho só com CPU para PDFs nativamente digitais
- Saída em Markdown, HTML, JSON com bounding boxes e chunks
O que não é
- Os pesos exigem licença comercial acima de US$ 5M em receita ou captação
- O modo balanced exige Docker e um servidor vLLM com GPU
- O modo fast é fraco em equações
- O servidor de API incluído é básico e sem hardening
Ideal para
Equipes de RAG e de dados que convertem grandes volumes de PDFs complexos ou digitalizados no próprio hardware.
Alternativas ao Marker
Marker: perguntas frequentes
- Marker vale a pena?
- O Marker transforma PDFs difíceis em Markdown utilizável melhor do que qualquer outro pipeline aberto que seus criadores mediram, embora a licença dos pesos imponha um teto de receita a essa liberdade. Damos nota 4.3 de 5.
- Quanto custa Marker?
- Código gratuito sob Apache 2.0; pesos gratuitos abaixo de US$ 5M em receita e captação, licença comercial acima disso. API hospedada da Datalab: Convert a US$ 4 por 1.000 páginas (fast ou balanced); plano Team a US$ 400/mês.
- Quais são as desvantagens de Marker?
- Os pesos exigem licença comercial acima de US$ 5M em receita ou captação; o modo balanced exige Docker e um servidor vLLM com GPU; o modo fast é fraco em equações; o servidor de API incluído é básico e sem hardening.
- Para quem Marker é indicado?
- Equipes de RAG e de dados que convertem grandes volumes de PDFs complexos ou digitalizados no próprio hardware.
- Quanto custa Marker para uma equipe ou em produção?
- O custo auto-hospedado é tempo de GPU: o modo balanced chegou a 2,9 páginas por segundo em uma B200 usando cerca de 30% da GPU, segundo o README. A API da Datalab cobra por 1.000 páginas: US$ 0,50 no Convert lite, US$ 4 no fast ou balanced, US$ 10 no accurate, com 25% a mais para processamento na UE.
- Marker é seguro para dados da empresa?
- Roda localmente, sem telemetria encontrada na nossa leitura do repositório; os documentos só saem da máquina se --use_llm os enviar a um modelo externo, o Gemini por padrão. Pesos sob OpenRAIL-M modificada. A API hospedada da Datalab tem SOC 2 Type II em todos os planos e retenção de dados opcional, por adesão.
- Quais são as melhores alternativas ao Marker?
- As alternativas mais próximas que analisamos são Docling, MarkItDown, Unstructured, pdf-inspector e Xberg (formerly Kreuzberg).
Respostas verificadas em 23 de out. de 2026.