Marker es un conversor de documentos de código abierto de Datalab que convierte PDF, imágenes, archivos de Office y EPUB a Markdown, JSON, HTML o fragmentos para RAG. El código es Apache 2.0, los pesos de los modelos usan una licencia OpenRAIL-M modificada, gratuita para investigación, uso personal y startups con menos de 5 M$ de financiación o ingresos, y el proyecto tiene unas 40.500 estrellas en GitHub (Marker en GitHub, consultado el 15 de octubre de 2026).
Es rápido y capaz, y Datalab, la empresa que lo respalda, también vende una plataforma alojada. Si buscas una alternativa a Marker, anyformat resuelve un problema adyacente: extracción validada contra un esquema, envuelta en orquestación de flujos, revisión humana y un servicio gestionado.
anyformat es procesamiento agéntico de documentos listo para la empresa: un OCR agéntico que convierte cualquier documento en datos de confianza, donde cada valor está validado y cita su origen. Está pensado para empresas con exigencias serias de seguridad, escala y auditoría, así que lo usan los responsables de los procesos y sus equipos de IT junto a los desarrolladores que lo evalúan e integran.
Describes los campos una vez como un esquema. Parse lee el documento, Extract devuelve cada valor con una puntuación de confianza y su posición en la página, Validate ejecuta tus reglas y los valores con baja confianza van a un revisor dentro del mismo flujo, por la API, los SDK de Python y TypeScript o el Studio sin código. Cada valor lleva su evidencia, aguanta en documentos difíciles, es una empresa europea con ISO 27001 y GDPR, y el precio cubre el flujo completo, no solo la extracción. Frente a un conversor que operas tú, la extracción, la revisión y la validación vienen incluidas.
La medida que importa es cuántos documentos pasan sin que nadie los toque, y los equipos salen a producción en días, no en trimestres, con SDK, plantillas y evals para medir la precisión sobre la marcha.
Qué es Marker y qué añade Datalab
Marker lee un documento y devuelve su contenido: tablas, ecuaciones, enlaces, bloques de código e imágenes, con cabeceras y pies de página eliminados por defecto. Ofrece una línea de comandos, una API de Python, una app Streamlit y un pequeño servidor de API que su propio README llama "not a very robust API", y un modo opcional --use_llm que envía los casos difíciles a un modelo como Gemini, Claude u Ollama. El OCR funciona con Surya, otro modelo de Datalab.
Datalab convierte la misma tecnología en una plataforma alojada: Convert para documentos a Markdown, HTML o JSON con bounding boxes por palabra; Extract para campos contra un esquema; Segment para dividir archivos combinados; Eval y Monitor para medir la calidad en el tiempo; y pipelines versionados que encadenan esos pasos (Datalab, consultado el 15 de octubre de 2026). Entre sus clientes nombrados están Anthropic, ElevenLabs y Siemens Healthineers.
Así que la comparación real es con dos cosas: la herramienta de código abierto, que operas tú, y la plataforma alojada, que opera Datalab.
El trabajo de Marker es la conversión, y su salida es un documento que un paso posterior convierte en campos. El Extract alojado de Datalab va más allá: extrae campos concretos y devuelve "citations back to source bounding boxes for auditability" (documentación de Datalab, consultada el 15 de octubre de 2026).
anyformat extrae contra un esquema definido por el usuario en zero-shot y devuelve JSON validado, con campos de documento y de tabla declarados juntos y devueltos en una sola llamada. Cada campo lleva una puntuación de confianza y una cita visual que señala su posición exacta en la página.
Confianza: lo bien que leyó frente a si el valor es correcto
Las páginas que leímos describen citas a las cajas de origen en el Extract de Datalab y puntuaciones de confianza por región en su demo de Chandra. No describen una confianza para cada valor extraído, así que un proceso de revisión no tiene nada sobre lo que enrutar a nivel de campo a menos que lo construyas.
anyformat devuelve una confianza por cada campo extraído, con la evidencia de origen al lado, de modo que un umbral decide qué valores pasan y cuáles van a un revisor dentro del mismo flujo. Para ver cómo se calculan y se leen estas puntuaciones, consulta cómo funciona la puntuación de confianza.
Benchmark: dónde lidera cada uno
En el ranking independiente de ParseBench, leído el 15 de octubre de 2026, anyformat (Standard) obtuvo 80,30 en total, quinta de 147 entradas. La API alojada de Datalab obtuvo 69,95 en su modo Accurate (puesto 44), 69,51 en Balanced (48) y 67,79 en Fast (57). Datalab es la empresa detrás de Marker. ParseBench lo publica LlamaIndex, que también vende un producto de parsing que encabeza su propio ranking.
Las puntuaciones por categoría muestran el reparto, con el modo Accurate de Datalab frente a anyformat:
Datalab va por delante en tablas y en anclar los valores a la página; anyformat va por delante en gráficos, formato y fidelidad. El propio README de Datalab informa de otro benchmark, olmocr-bench, donde el modo balanced de Marker obtiene 76,0 y su Chandra 2 alojado 85,8 (Datalab, informado por el proveedor). Los benchmarks miden parsing, no extracción contra tu propio esquema, por eso la comparación real es una prueba con tus propios documentos.
En nuestra propia prueba práctica de herramientas de PDF a markdown, Marker leyó los PDF de texto con una tabla correcta y las dos columnas en orden, salvo un encabezado omitido. En un Mac sin GPU no pudo convertir una página escaneada hasta instalar un binario extra, y en un PDF de 40 páginas con el mismo texto en cada sección omitió el cuerpo de las secciones 2 a 40. No instalamos el binario ni encontramos la causa del segundo caso, así que trátalos como observaciones, no como veredictos (PDF a markdown para LLMs, 30 de septiembre de 2026).
Precisión: lectura, estructura y valores
En IA documental, la precisión significa tres cosas distintas. Leer los caracteres y reconstruir la estructura (tablas, orden de lectura, fórmulas) es donde Marker y Datalab son más fuertes, y la puntuación de tablas de ParseBench lo muestra. Poner el valor correcto en el campo correcto es la extracción, y es lo que consume el sistema posterior: una puntuación de conversión no te dice si el total de la factura acabó en el campo del total, ni si la fila 1.800 de una tabla larga sobrevivió. El estudio de documentos largos de anyformat mantuvo cerca del 99% de recuperación de filas en tablas de hasta 50 páginas y unas 2.400 filas (nuestro benchmark, 2026).
Si la precisión decide la elección, pruébala como la vas a usar. Toma entre 50 y 100 documentos tuyos, extrae el mismo esquema con ambos y puntúa a nivel de campo: coincidencia exacta para identificadores e importes, recuperación de filas para tablas. Después comprueba si la confianza que da cada sistema predice qué campos están mal, porque eso decide cuánta revisión humana hace falta. La suite de evals de anyformat ejecuta ese tipo de comparación sobre tus propios documentos antes de que un flujo salga a producción.
Prueba ambos con tus documentos. Prueba anyformat gratis, con una concesión única de 50.000 créditos en Pay As You Go, o solicita una demo.
El código de Marker es gratis, pero sus pesos no lo son para todos: por encima de 5 M$ de financiación o ingresos, el uso comercial necesita una licencia de Datalab (precios de Datalab, consultados el 15 de octubre de 2026). Operarlo también cuesta infraestructura: el modo balanced quiere una GPU y el modo CPU necesita un binario de servidor llama.cpp.
La API alojada de Datalab se factura por cada 1.000 páginas: Convert cuesta 4 $ en modo fast y balanced y 10 $ en accurate, y Extraction va de 6 $ a 20 $ según el nivel, antes de cargos adicionales. El plan Free incluye una asignación mensual de 10 a 20 $, el plan Team son 400 $ al mes y el procesamiento en la UE suma un 25% (precios de Datalab, consultados el 15 de octubre de 2026).
anyformat factura en créditos, por página y por operador: 10 créditos cuestan 0,01 €, así que Parse son 25 créditos por página (0,025 €, publicado como 25 $ por 1.000 páginas), Extract 35 créditos por página y Validate 5 créditos por regla de IA, una vez por extracción (precios de anyformat, 2026). Parse más Extract son 60 créditos, es decir 0,06 €, por página.
En conversión, Datalab es más barato por página, y es una diferencia real. Las dos cifras no corresponden al mismo producto: el precio de anyformat incluye la cola de revisión, la validación y la orquestación que de otro modo tendrías que construir y operar tú.
Cumplimiento y soberanía europea
anyformat tiene certificación ISO 27001, cumple con el GDPR y es una empresa con sede en la UE y entidad jurídica europea, con el cumplimiento incluido en todos los planes y sin sobrecoste.
Marker, la herramienta de código abierto, no tiene certificaciones propias: el cumplimiento depende de dónde y cómo lo ejecutes. La plataforma alojada de Datalab lista SOC 2 Type II, y su README describe retención cero de datos por defecto y BAAs a medida; para ISO 27001, los términos de GDPR y las regiones de alojamiento, consulta directamente los documentos de confianza y de tratamiento de datos de Datalab, porque esta página no los reproduce.
Constructor de flujos, revisión y validación
Marker convierte documentos. Datalab añade pipelines versionados que encadenan sus procesadores, además de Segment, Eval y Monitor. Las páginas que leímos no describen un constructor de flujos sin código ni una cola de revisión humana: el paso en que una persona comprueba un valor dudoso lo construyes tú.
anyformat incluye Studio, un lienzo de flujos sin código: ramas, condiciones, división de paquetes de varios documentos, enrutado, operadores de extracción, reglas de validación, cruce con fuentes de datos internas y revisión humana colocada donde el proceso la necesite. Los campos con baja confianza se enrutan a un revisor, que ve el valor junto a su origen en la página y puede corregirlo. Los equipos de operaciones cambian el flujo sin desplegar código.
Estabilidad de versiones
Con una herramienta de código abierto fijas tú la versión del paquete y los modelos descargados, y con una API alojada sigues las actualizaciones de modelo del proveedor; Datalab vende Monitor precisamente para detectar regresiones entre ellas.
Las versiones de los flujos de anyformat están fijadas y son inmutables: un version_id publicado no cambia por debajo, algo que importa cuando un proceso regulado tiene que reprocesar un documento de forma idéntica años después.
Sí, si quieres que la extracción funcione como un proceso y no como una llamada: salida validada contra un esquema con confianza por campo, cola de revisión, reglas de validación, orquestación sin código y flujos con versión fijada, sin operar tú modelos y GPUs. Si lo que quieres es Markdown de los documentos al menor precio por página, o pesos abiertos que puedas ejecutar tú, depende del trabajo: Marker y Datalab lo hacen bien y anyformat no es una forma más barata de hacerlo. Y si te gusta la conversión de Marker, los dos pueden convivir, porque la capa que hace que el resultado sea seguro para producción es la que añade anyformat.
Cuándo elegir Marker
Conversión rápida y de bajo coste a Markdown o JSON, con código abierto que puedes ejecutar tú mientras tu empresa esté por debajo de los umbrales de la licencia de los pesos, o la API alojada de Datalab cuando quieras conversión y extracción por página a una tarifa baja.
Cuando la extracción tiene que funcionar como un proceso y no como una llamada: confianza por campo con evidencia, reglas de validación, revisión humana, orquestación sin código y versiones de flujo fijadas, como servicio gestionado. Empieza en anyformat.ai.
Mira también las otras comparativas: anyformat vs Docling, anyformat vs LlamaParse y anyformat vs Mistral OCR, o consulta todas las comparativas.
