Marker est un convertisseur de documents open source de Datalab qui transforme des PDF, des images, des fichiers Office et des EPUB en Markdown, JSON, HTML ou segments pour le RAG. Le code est sous Apache 2.0, les poids des modèles utilisent une licence OpenRAIL-M modifiée, gratuite pour la recherche, l'usage personnel et les startups sous 5 M$ de financement ou de revenus, et le projet compte environ 40 500 étoiles sur GitHub (Marker sur GitHub, consulté le 15 octobre 2026).
Il est rapide et capable, et Datalab, l'entreprise derrière, vend aussi une plateforme hébergée. Si vous cherchez une alternative à Marker, anyformat résout un problème voisin : une extraction validée par un schéma, enveloppée dans l'orchestration de workflows, la revue humaine et un service géré.
anyformat est un traitement agentique de documents prêt pour l'entreprise : un OCR agentique qui transforme n'importe quel document en données fiables, où chaque valeur est validée et cite sa source. Il est conçu pour les entreprises aux exigences sérieuses en matière de sécurité, d'échelle et d'audit : les responsables de processus et leurs équipes IT l'utilisent avec les développeurs qui l'évaluent et l'intègrent.
Vous décrivez les champs une fois sous forme de schéma. Parse lit le document, Extract renvoie chaque valeur avec un score de confiance et sa position dans la page, Validate exécute vos règles, et les valeurs à faible confiance vont à un réviseur dans le même workflow, via l'API, les SDK Python et TypeScript ou le Studio sans code. Chaque valeur porte sa preuve, il tient sur les documents difficiles, c'est une entreprise européenne avec ISO 27001 et RGPD, et le prix couvre tout le workflow, pas seulement l'extraction. Face à un convertisseur que vous exploitez, l'extraction, la revue et la validation sont incluses.
La mesure qui compte, c'est le nombre de documents qui passent sans que personne n'y touche, et les équipes passent en production en jours, pas en trimestres, avec des SDK, des modèles et des évaluations pour mesurer la précision en cours de route.
Ce qu'est Marker, et ce qu'ajoute Datalab
Marker lit un document et renvoie son contenu : tableaux, équations, liens, blocs de code et images, avec en-têtes et pieds de page supprimés par défaut. Il offre une ligne de commande, une API Python, une application Streamlit et un petit serveur d'API que son propre README qualifie de "not a very robust API", ainsi qu'un mode optionnel --use_llm qui envoie les cas difficiles à un modèle comme Gemini, Claude ou Ollama. L'OCR passe par Surya, un autre modèle de Datalab.
Datalab fait de la même technologie une plateforme hébergée : Convert pour les documents vers Markdown, HTML ou JSON avec des bounding boxes par mot ; Extract pour les champs selon un schéma ; Segment pour découper les fichiers combinés ; Eval et Monitor pour mesurer la qualité dans le temps ; et des pipelines versionnés qui enchaînent ces étapes (Datalab, consulté le 15 octobre 2026). Parmi les clients cités figurent Anthropic, ElevenLabs et Siemens Healthineers.
La vraie comparaison porte donc sur deux choses : l'outil open source, que vous exploitez, et la plateforme hébergée, qu'exploite Datalab.
Le métier de Marker est la conversion, et sa sortie est un document qu'une étape suivante transforme en champs. L'Extract hébergé de Datalab va plus loin : il extrait des champs précis et renvoie des "citations back to source bounding boxes for auditability" (documentation de Datalab, consultée le 15 octobre 2026).
anyformat extrait selon un schéma défini par l'utilisateur en zero-shot et renvoie du JSON validé, avec des champs de document et de tableau déclarés ensemble et renvoyés en un seul appel. Chaque champ porte un score de confiance et une citation visuelle qui pointe sa position exacte dans la page.
Confiance : la qualité de lecture face à l'exactitude de la valeur
Les pages que nous avons lues décrivent des citations vers les zones sources dans l'Extract de Datalab et des scores de confiance par région dans sa démo de Chandra. Elles ne décrivent pas de confiance pour chaque valeur extraite, de sorte qu'un processus de revue n'a rien sur quoi router au niveau du champ, à moins de le construire.
anyformat renvoie une confiance par champ extrait, avec la preuve de la source à côté, si bien qu'un seuil décide quelles valeurs passent et lesquelles vont à un réviseur dans le même workflow. Pour voir comment ces scores sont produits et lus, consultez le fonctionnement du score de confiance.
Benchmark : où chacun est en tête
Sur le classement indépendant ParseBench, lu le 15 octobre 2026, anyformat (Standard) obtient 80,30 au total, cinquième sur 147 entrées. L'API hébergée de Datalab obtient 69,95 en mode Accurate (44e), 69,51 en Balanced (48e) et 67,79 en Fast (57e). Datalab est l'entreprise derrière Marker. ParseBench est publié par LlamaIndex, qui vend aussi un produit de parsing en tête de son propre classement.
Les scores par catégorie montrent la répartition, avec le mode Accurate de Datalab face à anyformat :
Datalab est devant sur les tableaux et sur l'ancrage des valeurs dans la page ; anyformat est devant sur les graphiques, la mise en forme et la fidélité. Le README de Datalab rapporte un autre benchmark, olmocr-bench, où le mode balanced de Marker obtient 76,0 et son Chandra 2 hébergé 85,8 (Datalab, déclaré par le fournisseur). Les benchmarks mesurent le parsing, pas l'extraction selon votre propre schéma, c'est pourquoi la vraie comparaison est un test sur vos propres documents.
Dans notre test pratique d'outils PDF vers markdown, Marker a lu les PDF texte avec un tableau correct et les deux colonnes dans l'ordre, à un titre omis près. Sur un Mac sans GPU, il n'a pas pu convertir une page scannée tant qu'un binaire supplémentaire n'était pas installé, et sur un PDF de 40 pages au même texte dans chaque section, il a omis le corps des sections 2 à 40. Nous n'avons pas installé le binaire ni trouvé la cause du second cas : ce sont des observations, pas des verdicts (PDF vers markdown pour les LLM, 30 septembre 2026).
Précision : lecture, structure et valeurs
Dans l'IA documentaire, la précision recouvre trois choses différentes. Lire les caractères et reconstruire la structure (tableaux, ordre de lecture, formules) est là où Marker et Datalab sont les plus forts, et le score des tableaux sur ParseBench le montre. Mettre la bonne valeur dans le bon champ, c'est l'extraction, et c'est ce que consomme le système en aval : un score de conversion ne dit pas si le total de la facture a atterri dans le champ du total, ni si la ligne 1 800 d'un long tableau a survécu. L'étude d'anyformat sur les longs documents a tenu environ 99 % de récupération de lignes sur des tableaux allant jusqu'à 50 pages et environ 2 400 lignes (notre benchmark, 2026).
Si la précision tranche, testez-la comme vous l'utiliserez. Prenez 50 à 100 de vos documents, extrayez le même schéma avec les deux et notez au niveau du champ : correspondance exacte pour les identifiants et les montants, rappel des lignes pour les tableaux. Vérifiez ensuite si la confiance annoncée par chaque système prédit quels champs sont faux, car c'est ce qui décide du volume de revue humaine. La suite d'évaluations d'anyformat exécute ce type de comparaison sur vos propres documents avant qu'un workflow ne passe en production.
Testez les deux sur vos documents. Essayez anyformat gratuitement, avec une dotation unique de 50 000 crédits en Pay As You Go, ou demandez une démo.
Le code de Marker est gratuit, mais ses poids ne le sont pas pour tout le monde : au-delà de 5 M$ de financement ou de revenus, l'usage commercial exige une licence de Datalab (tarifs de Datalab, consultés le 15 octobre 2026). L'exploiter coûte aussi de l'infrastructure : le mode balanced demande un GPU et le mode CPU nécessite un binaire de serveur llama.cpp.
L'API hébergée de Datalab est facturée pour 1 000 pages : Convert coûte 4 $ en mode fast et balanced et 10 $ en accurate, et Extraction va de 6 $ à 20 $ selon le niveau, avant frais supplémentaires. Le plan Free inclut une allocation mensuelle de 10 à 20 $, le plan Team coûte 400 $ par mois et le traitement dans l'UE ajoute 25 % (tarifs de Datalab, consultés le 15 octobre 2026).
anyformat facture en crédits, à la page et par opérateur : 10 crédits coûtent 0,01 €, donc Parse revient à 25 crédits par page (0,025 €, publié sous la forme 25 $ pour 1 000 pages), Extract à 35 crédits par page et Validate à 5 crédits par règle d'IA, une fois par extraction (tarifs anyformat, 2026). Parse plus Extract font 60 crédits, soit 0,06 €, par page.
Sur la conversion, Datalab est moins cher à la page, et la différence est réelle. Ce n'est pas le même produit : le prix d'anyformat inclut la file de revue, la validation et l'orchestration que vous devriez sinon construire et exploiter vous-même.
anyformat est certifié ISO 27001, conforme au RGPD et une entreprise dont le siège et l'entité juridique sont dans l'UE, avec la conformité incluse dans tous les plans, sans supplément.
Marker, l'outil open source, n'a pas de certifications propres : la conformité dépend de l'endroit et de la manière dont vous l'exécutez. La plateforme hébergée de Datalab indique SOC 2 Type II, et son README décrit une rétention zéro des données par défaut et des BAA sur mesure ; pour l'ISO 27001, les conditions RGPD et les régions d'hébergement, consultez directement les documents de confiance et de traitement des données de Datalab, car cette page ne les reproduit pas.
Constructeur de workflows, revue et validation
Marker convertit des documents. Datalab ajoute des pipelines versionnés qui enchaînent ses processeurs, ainsi que Segment, Eval et Monitor. Les pages que nous avons lues ne décrivent ni constructeur de workflows sans code ni file de revue humaine : l'étape où une personne contrôle une valeur douteuse, c'est à vous de la construire.
anyformat inclut Studio, un canevas de workflow sans code : branches, conditions, découpage de lots multi-documents, routage, opérateurs d'extraction, règles de validation, recoupement avec des sources de données internes et revue humaine placée là où le processus l'exige. Les champs à faible confiance sont routés vers un réviseur, qui voit la valeur à côté de sa source dans la page et peut la corriger. Les équipes métier modifient le flux sans déploiement de code.
Stabilité des versions
Avec un outil open source, vous figez vous-même la version du paquet et les modèles téléchargés ; avec une API hébergée, vous suivez les mises à jour de modèle du fournisseur, et Datalab vend Monitor précisément pour repérer les régressions entre elles.
Les versions de workflow d'anyformat sont figées et immuables : un version_id publié ne change pas sous vos pieds, ce qui compte lorsqu'un processus réglementé doit retraiter un document à l'identique des années plus tard.
Oui, si vous voulez que l'extraction fonctionne comme un processus et non comme un appel : sortie validée par un schéma avec confiance par champ, file de revue, règles de validation, orchestration sans code et workflows à version figée, sans exploiter vous-même modèles et GPU. Si vous voulez du Markdown à partir de documents au plus bas prix par page, ou des poids ouverts que vous pouvez exécuter vous-même, cela dépend du travail : Marker et Datalab le font bien et anyformat n'est pas un moyen moins cher de le faire. Et si vous aimez la conversion de Marker, les deux peuvent cohabiter, car la couche qui rend la sortie sûre pour la production est celle qu'ajoute anyformat.
Quand choisir Marker
Une conversion rapide et peu coûteuse vers Markdown ou JSON, avec du code open source que vous exécutez vous-même tant que votre entreprise reste sous les seuils de la licence des poids, ou l'API hébergée de Datalab quand vous voulez conversion et extraction à la page à un tarif bas.
Quand l'extraction doit fonctionner comme un processus et non comme un appel : confiance par champ avec preuve, règles de validation, revue humaine, orchestration sans code et versions de workflow figées, en service géré. Commencez sur anyformat.ai.
Voir aussi les autres comparatifs : anyformat vs Docling, anyformat vs LlamaParse et anyformat vs Mistral OCR, ou parcourez tous les comparatifs.
