这四个工具,每一个都能把 PDF 变成看起来没问题的 Markdown,而问题恰恰在这里:少掉一行的表格、被横向读串的双栏页面,出来的都是干净的散文;到了下游,它们会变成一个自信的错答案,还带着一条能正确指回原文档的引用。所以别照榜单选——四者之间唯一公开的正面对比,就躺在其中一个项目自己的 README 里,而榜首是该项目的付费托管产品。请照「输出会不会告诉你每一段文字来自哪一页、哪一个框」来选,因为那是你唯一能用来设闸的信号。
概览
于 2026 年 11 月 1 日读自各项目自己的仓库。星数只是一个流行度指标,别无他意;它出现在这里,是因为这个排序出人意料。
| 项目 | 许可证 | 星数 | 自述定位 |
|---|---|---|---|
| MarkItDown(Microsoft) | MIT | 193.3k | 面向 LLM 与文本分析流水线的轻量转换器 |
| MinerU(OpenDataLab) | MinerU Open Source License——基于 Apache 2.0 并附加条件 | 82.9k | 把复杂文档转成适合 LLM 的 Markdown 与 JSON |
| Docling(LF AI & Data) | MIT(代码);模型各依其自身许可 | 69.9k | 「让你的文档为生成式 AI 做好准备」 |
| Marker(Datalab) | Apache-2.0(代码);权重依改写版 AI Pubs Open Rail-M | 40.7k | 快速且准确地把 PDF 转成 Markdown 与 JSON |
唯一那块记分牌,以及它由谁掌管
Marker 的 README 公布了一组 olmocr-bench 的宏平均结果,里面包含了它的竞争对手。在那张表上,Marker balanced 总体得 76.0%、在原生数字文档上 83.5%;Marker fast 为 66.6% 与 71.6%;关掉 OCR 的 Marker fast 为 43.6% 与 55.8%;MinerU pipeline 总体 72.7%;Docling 总体 50.3%。而表格的榜首,总体 85.8%,是 Chandra 2——一个来自 Datalab 的托管模型,而 Datalab 正是发布 Marker 的那家公司。
请从两个方向认真对待这件事。这个基准本身是第三方的,而那些测量原则上是可复现的——这已经比另外三家提供的更多了,而且这里没有任何迹象说明那些数字是错的。但这张表是由一个竞争者组装、由该竞争者运行、并由该竞争者的商业产品夺冠的;而那个只拿 43.6% 的版本,也同样是 Marker。这三件事里的任何一件单独成立,就已经足以让人把这个排序当作一份候选名单、而不是一个决定。三件叠在一起,则意味着这张表诚实的用法是:「在扫描页面上,Docling 大概比 Marker 和 MinerU 弱,我应该拿自己的文档去验一验」——这是一件实打实有用的认知,而它离「一份排名」还隔着很远。
请注意哪些东西不在任何表上:MarkItDown、MinerU 与 Docling 都不公布自己的准确率数字。在这个类别的四个工具里,有三个压根不存在「需要怀疑的厂商声明」,因为根本没有厂商声明。
MarkItDown——那个主动告诉你「我没在争这个」的
MarkItDown 是这个领域星数最多的文档工具,比 Marker 多出 4.7 倍,而它的 README 对这份流行度究竟服务于什么,坦白得不寻常。它把自己描述成面向 LLM 与文本分析流水线的轻量工具,说自己的输出「本意是交给文本分析工具去消费」,并提醒说它可能不适合那种供人阅读的高保真转换。
你拿到的是什么
广度,以及一条通往字符串的极短路径。它能吃下 PDF、Word、PowerPoint、Excel、HTML、CSV、JSON、XML、EPub、ZIP 压缩包、带 EXIF 与 OCR 的图片、带 EXIF 与转写的音频,以及 YouTube 链接。对于一个必须接下用户随手附上的任何东西的智能体,这份清单就是产品本身,而这里没有别的工具能以这么低的代价覆盖办公文档的长尾。
它到哪里为止
版面理解不在盒子里。更重的 OCR 与版面分析被转交给 Azure Document Intelligence 或 Azure Content Understanding——云服务、按量计费,而且这是一场与本地库完全不同的信任与数据驻留对话。Content Understanding 这条路会输出 <!-- page 1 --> 这样的注释标记,所以你在那儿能把页码找回来;而任何地方都没有边界框,仓库也没有给出任何准确率数字。
解读它星数的正确方式是:大多数做文档转换的人并没有保真度问题——他们有的是「把十四种文件格式里的文字弄出来」这个问题,而 MarkItDown 解决得比这里任何东西都好。但对于一个表格很重要的 PDF 语料,它是个错误的默认选项。
MinerU——分档,以及一份真的得去读的许可证
MinerU 把自己描述为把复杂文档转成适合 LLM 的 Markdown 与 JSON、用于智能体工作流,而它是四者中最可配置的一个。4.x 版本给出四个质量档——flash、basic、standard、advanced——并把工作拆给跑在 ONNX 或 Torch 上的小模型,以及由 llama.cpp、vLLM 或 LMDeploy 承载的 VLM。仓库列出九种渲染目标:Markdown、HTML、LaTeX、DOCX、EPUB、PDF、Structured Content,以及 Content List V1 与 V2,每套 CLI 与 API 各暴露其中一个子集。
溯源
这是 MinerU 挣得自己位置的地方。它的结果契约用形如 doc:{short_id}/tier:{tier}/page:{page_no}/block:{block_no} 的定位符来寻址内容,页号与块号从 1 开始计,而块级图片要求一个有效的边界框。一个把「档位」也写进去的定位符,是个值得注意的细节:它意味着一段被存下来的文字记录的不只是「它来自哪里」,还有「流水线当时下了多大功夫」——而当你重跑一遍语料、想知道该重新核查哪些答案时,这恰恰是你需要的东西。
那份许可证
「MinerU Open Source License」,仓库里的描述是基于 Apache 2.0 并附加条件。这句话是在干实事的,而它不是 Apache 2.0。如果你要把它装进产品里出货,这句话就是你该在做任何基准测试之前,摆到那个为依赖项签字的人面前的那一句。
Docling——治理层面的那个答案
Docling 的代码是 MIT 许可,作为一个项目托管在 LF AI & Data Foundation 之下,由 IBM Research Zurich 的 AI for knowledge 团队发起。对于那些采购流程会在意「一个依赖项归谁所有、以及赞助方哪天没兴趣了会怎样」的人,这个组合不是什么软性因素——它是四者中唯一具备中立基金会治理的那一个,也正是 Docling 为何总能赢下那些 Marker 靠分数赢的评估。
它产出什么
一个 DoclingDocument,项目称之为一种统一而富有表达力的表示,可序列化为 Markdown、HTML、WebVTT、DocLang、DocTags 与无损 JSON。它的 PDF 理解覆盖页面版面与阅读顺序——后者是这里没有别家宣传自己处理过的那个失效模式,也是会悄悄毁掉一篇双栏论文的那一个。它为 LangChain、LlamaIndex、CrewAI 与 Haystack 提供了集成,所以把它塞进一条既有的检索流水线,工作量是最小的。
那两点保留
确实是两点。在那份唯一公开的对比里,Docling 得 50.3%,明显落在 Marker 与 MinerU 之后;而那张表由一个竞争者掌管——但它是目前唯一存在的数字,而它指向的是:扫描件与图像密集的文档,是你该下最重手去测的地方。另外,仓库首页并没有说明 DoclingDocument 是否记录逐元素的边界框;「无损 JSON」与明确处理阅读顺序都是好兆头,而如果框级溯源是一项硬要求,你应该去 schema 里确认它,而不是从「无损」这个词里推断出来。
Marker——公开分数最高,以及许可证里的一道门槛
Marker 把 PDF 转成 Markdown、JSON、HTML 以及现成的分块,而每一种格式都还会返回一个元数据字典,里面带目录与逐页统计。它的 JSON 是四者中溯源信息最丰富的输出:每个块都带一个把页码编码进去的 id(例如 /page/10/Page/366)、一个 block_type、一个给出四角坐标的 polygon,子块上还有 section_hierarchy。这些足以在原始页面上渲染出一块高亮,而这正是「用户能自己核对的引用」与「用户只能选择相信的引用」之间的差别。
它还有一个混合模式:--use_llm 把难处理的区域送给一个视觉模型,支持 Gemini、Google Vertex、Ollama、Claude、兼容 OpenAI 的端点、Azure OpenAI 与 OpenRouter,而文档里写明的默认模型是 gemini-3.5-flash。那个 76.0% 是 balanced 配置的成绩;不走 OCR 的 fast 路径只有 43.6%——所以你选的配置,对结果的影响比你在工具之间做的选择还要大。
Marker 的代码是 Apache-2.0。它的模型权重不是:权重依一份改写版 AI Pubs Open Rail-M 许可发布,对研究、个人使用,以及融资或营收低于 500 万美元的初创公司免费,其他商业用途需要向 Datalab 购买许可。营收跨过 500 万美元那一天,你不会希望同时发现一个依赖项把自己换了许可证。这是本文中最有可能改变一个决定的那一句话。
真正能预测下游质量的那个维度
下面是这些工具在生产里真正会产出的那种失效,以及为什么准确率百分比抓不住它。一张表格因为分页丢掉了一行。一页双栏被横着读过去,把两句互不相干的话编织在一起。一个脚注标记落在句子中间。这三种情况里,Markdown 在语法上都完美无瑕、读起来也通顺,所以这次解析「成功」了;分块嵌入正常,检索会在正确的查询下把它返回来,而模型就据此作答。你的检索指标是绿的,因为检索确实是对的。答案是错的,因为那段文字是错的。
转换器下游的流水线里,没有任何东西能侦测到这件事,因为每一个下游组件的输入都是转换器的输出,而它手上没有任何可比对的东西。唯一能让它变得可侦测的,是溯源:如果每一段文字都带着页码和边界框,你就能把被引用的区域渲染在原始页面上,而一个人一秒之内就能看出一次双栏横读。如果它只带页码,你至少能把核查范围缩小。如果它什么都不带,那么找到这个错误的唯一方式,就是有人注意到答案不对、然后回头去翻。
所以真正重要的排序是:Marker 与 MinerU 今天就给你元素级定位符,Docling 大概可以、而你应该去核实,MarkItDown 在一条代码路径上给你一个页码注释。这个排序与那张准确率表几乎无关,而它决定的是:一个解析 bug 抵达用户时,是以一个看得见的瑕疵出现,还是以一句听着在理的话出现。面向 RAG 的文档解析讲的是它所处的那条流水线,而引用与来源标注讲的是拿到坐标之后该做什么。
什么情况选哪个
| 情形 | 选 | 理由 |
|---|---|---|
| 各类附件混杂,有文字就够 | MarkItDown | 格式清单最广、MIT、无需自托管模型;它自己就说不为保真而生 |
| 扫描件或图像密集的 PDF,表格很重要 | Marker 或 MinerU | 公开分数最好,且有真正的元素级定位符 |
| 采购在意治理结构 | Docling | MIT 代码,归于 LF AI & Data;没有单一企业所有者 |
| 你会把文字片段引回给用户看 | Marker | 每块都有 polygon 加 block_type,能渲染出高亮 |
| 商业产品,营收超过 500 万美元 | 别用 Marker 的权重 | 超过门槛需要付费许可 |
| 你以后需要重跑并重新核查 | MinerU | 定位符把档位也和页、块一起记了下来 |
而无论你选哪个:真正决定这件事的基准,是你自己最糟的五十页、由你自己打分、并把片段级输出存下来。这要花一个下午,它是本文里唯一一次关于你自己语料的测量,而上面引用的每一个数字,都是去跑这件事的理由,而不是它的替代品。
常见问题
哪个「文档转 Markdown」工具最准?
在那份唯一公开的正面对比里——Marker 自己 README 中的 olmocr-bench 宏平均结果——Marker balanced 以总体 76.0% 领先开源阵营,MinerU pipeline 为 72.7%,Docling 为 50.3%。那张表由 Marker 的厂商公布、并由该厂商的付费托管产品夺冠,所以请把它当作一份候选名单,并拿自己的文档去验。
MarkItDown 一个分数都不公布,为什么还这么流行?
因为大多数人解决的是另一个问题。MarkItDown 以一份 MIT 许可、无需自托管模型,覆盖了十四种以上的输入格式,而当你需要把用户随手附上的东西里的文字弄出来时,这恰恰正确。它的 README 写明自己可能不适合高保真转换,而它不公布任何准确率数字。
哪几个会给我边界框?
Marker 的 JSON 给每个块一个把页码编码进去的 id、一个 block_type 和一个四角 polygon。MinerU 用 doc/tier/page/block 定位符寻址块,并要求块级图片带一个有效边界框。MarkItDown 只在它的 Content Understanding 路径上给页码注释标记。Docling 的首页没有说明逐元素边界框——如果你需要,请去查 DoclingDocument 的 schema。
这四个真的都能免费商用吗?
不是。MarkItDown 与 Docling 的代码是 MIT。Marker 的代码是 Apache-2.0,但它的模型权重依一份改写版 AI Pubs Open Rail-M 许可发布,只对研究、个人使用,以及融资或营收低于 500 万美元的初创公司免费。MinerU 用的是自己的许可证,描述为「Apache 2.0 并附加条件」。出货之前请把后两份读完。
我需要 GPU 吗?
对 MinerU 的较高档位与 Marker 的模型路径来说,GPU 会改变经济账——MinerU 的仓库称核心推理在受支持的加速器上大约是 CPU 速度的两到三倍。MarkItDown 的内置转换器完全不需要 GPU,它把重活的 OCR 推给 Azure 服务。
我能同时用两个吗?
能,而这往往就是正确答案:办公文档与图片走 MarkItDown 求广度,PDF 走 Marker、MinerU 或 Docling 求结构。两边保持同一份输出 schema,下游代码就不必知道是哪个转换器跑的。
延伸阅读
本站内容:
- 面向 RAG 的文档解析——这一步所处的位置,以及它交给分块器的是什么。
- 分块与向量检索——继承每一个解析错误的那个阶段。
- 引用与来源标注 UX——把一个边界框变成一条可核对的引用。
- 幻觉与接地——为什么一次正确的检索仍然能产出错误答案。
- 评估 RAG——把本文反复推荐的那个五十页语料测试搭起来。