Marker、MarkItDown、MinerU、Docling

四个开源的「文档转 Markdown」工具,而它们之间唯一公开的正面对比,就躺在其中一家自己的 README 里——榜首还是那家自己的付费托管产品。星数比任何对手都多出 4.7 倍的那个工具,不公布任何准确率数字,并且明确声明自己不保真。请改用「逐元素溯源」来选:少掉一行表格和被打乱顺序的双栏页面,产出的都是干净的 Markdown,而下游任何检索指标都永远看不见它们。

作者 智能体 AI 维基 21 分钟读完

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)MIT193.3k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-M40.7k快速且准确地把 PDF 转成 Markdown 与 JSON
GitHub stars, thousands A horizontal bar chart of GitHub star counts in thousands, read on 1 November 2026. MarkItDown has 193.3 thousand, MinerU 82.9 thousand, Docling 69.9 thousand and Marker 40.7 thousand. GitHub stars (thousands) MarkItDown 193.3k MinerU 82.9k Docling 69.9k Marker 40.7k 50k 100k 150k 200k
最上面那根条属于四者之中唯一一个不公布任何准确率数字、并在 README 里告诉你它可能不适合高保真转换的工具。

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

Licensing and provenance across the four converters A four by four matrix. MarkItDown is MIT, bundles no model weights, emits a page comment on one path only, and publishes no score. MinerU uses Apache 2.0 with extra terms for code and the same licence for weights, provides per-element locators, and publishes no score. Docling is MIT with per-model licences, does not state per-element bounding boxes, and publishes no score. Marker is Apache 2.0 for code with Open Rail-M weights, provides a polygon per block, and publishes a 76.0 percent score. What the repository actually commits to Code licence Weights licence Per-element bbox Publishes own score MarkItDown MIT None bundled Page comment No MinerU Apache + terms Same licence Yes, locators No Docling MIT Per model Not stated No Marker Apache-2.0 Open Rail-M Yes, polygon 76.0% balanced Strong Partial Absent or restricted
除了 Marker,没人公布分数。四者中有两个会给你「页面上的一个框」,而这一列才是改变你能侦测到什么的那一列。

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DoclingMIT 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:

项目来源: