O Marker é um conversor de documentos de código aberto da Datalab que converte PDF, imagens, ficheiros Office e EPUB para Markdown, JSON, HTML ou fragmentos para RAG. O código é Apache 2.0, os pesos dos modelos usam uma licença OpenRAIL-M modificada, gratuita para investigação, uso pessoal e startups com menos de 5 M$ de financiamento ou receitas, e o projeto tem cerca de 40.500 estrelas no GitHub (Marker no GitHub, consultado a 15 de outubro de 2026).
É rápido e capaz, e a Datalab, a empresa por trás dele, também vende uma plataforma alojada. Se procura uma alternativa ao Marker, a anyformat resolve um problema adjacente: extração validada contra um esquema, envolvida em orquestração de fluxos, revisão humana e um serviço gerido.
A anyformat é processamento agêntico de documentos pronto para a empresa: um OCR agêntico que transforma qualquer documento em dados de confiança, onde cada valor está validado e cita a sua origem. Foi pensada para empresas com exigências sérias de segurança, escala e auditoria, pelo que a usam os responsáveis pelos processos e as suas equipas de IT, ao lado dos programadores que a avaliam e integram.
Descreve os campos uma vez como um esquema. O Parse lê o documento, o Extract devolve cada valor com uma pontuação de confiança e a sua posição na página, o Validate executa as suas regras e os valores de baixa confiança vão para um revisor dentro do mesmo fluxo, pela API, pelos SDK de Python e TypeScript ou pelo Studio sem código. Cada valor traz a sua evidência, aguenta documentos difíceis, é uma empresa europeia com ISO 27001 e RGPD, e o preço cobre o fluxo completo, não só a extração. Face a um conversor que opera você, a extração, a revisão e a validação já vêm incluídas.
A medida que importa é quantos documentos passam sem que ninguém lhes toque, e as equipas entram em produção em dias, não em trimestres, com SDK, modelos e evals para medir a precisão pelo caminho.
O que é o Marker e o que acrescenta a Datalab
O Marker lê um documento e devolve o seu conteúdo: tabelas, equações, ligações, blocos de código e imagens, com cabeçalhos e rodapés removidos por predefinição. Oferece uma linha de comandos, uma API Python, uma app Streamlit e um pequeno servidor de API que o seu próprio README descreve como "not a very robust API", e um modo opcional --use_llm que envia os casos difíceis a um modelo como Gemini, Claude ou Ollama. O OCR corre através do Surya, outro modelo da Datalab.
A Datalab transforma a mesma tecnologia numa plataforma alojada: Convert para documentos em Markdown, HTML ou JSON com bounding boxes por palavra; Extract para campos contra um esquema; Segment para dividir ficheiros combinados; Eval e Monitor para medir a qualidade ao longo do tempo; e pipelines versionados que encadeiam estes passos (Datalab, consultado a 15 de outubro de 2026). Entre os clientes citados estão Anthropic, ElevenLabs e Siemens Healthineers.
Assim, a comparação real é com duas coisas: a ferramenta de código aberto, que opera você, e a plataforma alojada, que opera a Datalab.
O trabalho do Marker é a conversão, e a sua saída é um documento que um passo posterior transforma em campos. O Extract alojado da Datalab vai mais longe: extrai campos concretos e devolve "citations back to source bounding boxes for auditability" (documentação da Datalab, consultada a 15 de outubro de 2026).
A anyformat extrai contra um esquema definido pelo utilizador em zero-shot e devolve JSON validado, com campos de documento e de tabela declarados em conjunto e devolvidos numa única chamada. Cada campo traz uma pontuação de confiança e uma citação visual que indica a sua posição exata na página.
Confiança: o quão bem leu face a se o valor está certo
As páginas que lemos descrevem citações para as caixas de origem no Extract da Datalab e pontuações de confiança por região na sua demo do Chandra. Não descrevem uma confiança para cada valor extraído, pelo que um processo de revisão não tem nada sobre o qual encaminhar ao nível do campo, a menos que o construa.
A anyformat devolve uma confiança por cada campo extraído, com a evidência da origem ao lado, de modo que um limiar decide que valores passam e quais vão para um revisor dentro do mesmo fluxo. Para ver como estas pontuações são calculadas e lidas, consulte como funciona a pontuação de confiança.
Benchmark: onde cada um lidera
No ranking independente do ParseBench, lido a 15 de outubro de 2026, a anyformat (Standard) obteve 80,30 no total, quinta de 147 entradas. A API alojada da Datalab obteve 69,95 no modo Accurate (44.º lugar), 69,51 no Balanced (48.º) e 67,79 no Fast (57.º). A Datalab é a empresa por trás do Marker. O ParseBench é publicado pela LlamaIndex, que também vende um produto de parsing que lidera o seu próprio ranking.
As pontuações por categoria mostram a divisão, com o modo Accurate da Datalab face à anyformat:
A Datalab está à frente em tabelas e na ancoragem dos valores à página; a anyformat está à frente em gráficos, formatação e fidelidade. O README da Datalab reporta outro benchmark, o olmocr-bench, onde o modo balanced do Marker obtém 76,0 e o seu Chandra 2 alojado 85,8 (Datalab, reportado pelo fornecedor). Os benchmarks medem parsing, não extração contra o seu próprio esquema, por isso a comparação real é um teste com os seus próprios documentos.
No nosso teste prático de ferramentas de PDF para markdown, o Marker leu os PDF de texto com uma tabela correta e as duas colunas em ordem, exceto um título omitido. Num Mac sem GPU não conseguiu converter uma página digitalizada até instalar um binário extra, e num PDF de 40 páginas com o mesmo texto em cada secção omitiu o corpo das secções 2 a 40. Não instalámos o binário nem encontrámos a causa do segundo caso, por isso trate-os como observações, não como veredictos (PDF para markdown para LLMs, 30 de setembro de 2026).
Precisão: leitura, estrutura e valores
Em IA documental, a precisão significa três coisas diferentes. Ler os carateres e reconstruir a estrutura (tabelas, ordem de leitura, fórmulas) é onde o Marker e a Datalab são mais fortes, e a pontuação de tabelas do ParseBench mostra-o. Pôr o valor certo no campo certo é a extração, e é o que o sistema a jusante consome: uma pontuação de conversão não diz se o total da fatura foi parar ao campo do total, nem se a linha 1.800 de uma tabela longa sobreviveu. O estudo de documentos longos da anyformat manteve cerca de 99% de recuperação de linhas em tabelas até 50 páginas e cerca de 2.400 linhas (o nosso benchmark, 2026).
Se a precisão decide a escolha, teste-a como a vai usar. Pegue em 50 a 100 documentos seus, extraia o mesmo esquema com ambos e pontue ao nível do campo: correspondência exata para identificadores e montantes, recuperação de linhas para tabelas. Depois verifique se a confiança que cada sistema reporta prevê quais os campos errados, porque isso decide quanta revisão humana é necessária. A suite de evals da anyformat executa este tipo de comparação sobre os seus próprios documentos antes de um fluxo entrar em produção.
Teste ambos com os seus documentos. Experimente a anyformat grátis, com uma concessão única de 50.000 créditos no Pay As You Go, ou peça uma demo.
O código do Marker é gratuito, mas os seus pesos não o são para todos: acima de 5 M$ de financiamento ou receitas, o uso comercial exige uma licença da Datalab (preços da Datalab, consultados a 15 de outubro de 2026). Operá-lo também custa infraestrutura: o modo balanced quer uma GPU e o modo CPU precisa de um binário de servidor llama.cpp.
A API alojada da Datalab é faturada por 1.000 páginas: o Convert custa 4 $ no modo fast e balanced e 10 $ no accurate, e o Extraction vai de 6 $ a 20 $ consoante o nível, antes de custos adicionais. O plano Free inclui uma atribuição mensal de 10 a 20 $, o plano Team custa 400 $ por mês e o processamento na UE acrescenta 25% (preços da Datalab, consultados a 15 de outubro de 2026).
A anyformat fatura em créditos, por página e por operador: 10 créditos custam 0,01 €, pelo que o Parse custa 25 créditos por página (0,025 €, publicado como 25 $ por 1.000 páginas), o Extract 35 créditos por página e o Validate 5 créditos por regra de IA, uma vez por extração (preços da anyformat, 2026). Parse mais Extract são 60 créditos, ou seja 0,06 €, por página.
Na conversão, a Datalab é mais barata por página, e é uma diferença real. Os dois números não correspondem ao mesmo produto: o preço da anyformat inclui a fila de revisão, a validação e a orquestração que, de outro modo, teria de construir e operar.
A anyformat tem certificação ISO 27001, cumpre o RGPD e é uma empresa com sede na UE e entidade jurídica europeia, com a conformidade incluída em todos os planos, sem sobrecusto.
O Marker, a ferramenta de código aberto, não tem certificações próprias: a conformidade depende de onde e como o executa. A plataforma alojada da Datalab indica SOC 2 Type II, e o seu README descreve retenção zero de dados por predefinição e BAAs à medida; para ISO 27001, termos de RGPD e regiões de alojamento, consulte diretamente os documentos de confiança e de tratamento de dados da Datalab, porque esta página não os reproduz.
Construtor de fluxos, revisão e validação
O Marker converte documentos. A Datalab acrescenta pipelines versionados que encadeiam os seus processadores, além de Segment, Eval e Monitor. As páginas que lemos não descrevem um construtor de fluxos sem código nem uma fila de revisão humana: o passo em que uma pessoa verifica um valor duvidoso é seu para construir.
A anyformat inclui o Studio, uma tela de fluxos sem código: ramificações, condições, divisão de pacotes de vários documentos, encaminhamento, operadores de extração, regras de validação, cruzamento com fontes de dados internas e revisão humana colocada onde o processo a exige. Os campos de baixa confiança são encaminhados para um revisor, que vê o valor junto à sua origem na página e pode corrigi-lo. As equipas de operações alteram o fluxo sem lançar código.
Estabilidade de versões
Com uma ferramenta de código aberto, fixa você a versão do pacote e os modelos descarregados, e com uma API alojada acompanha as atualizações de modelo do fornecedor; a Datalab vende o Monitor precisamente para detetar regressões entre elas.
As versões dos fluxos da anyformat são fixas e imutáveis: um version_id publicado não muda por baixo de si, o que importa quando um processo regulado tem de reprocessar um documento de forma idêntica anos mais tarde.
Sim, se quer que a extração funcione como um processo e não como uma chamada: saída validada contra um esquema com confiança por campo, fila de revisão, regras de validação, orquestração sem código e fluxos com versão fixa, sem operar você modelos e GPUs. Se quer Markdown dos documentos ao menor preço por página, ou pesos abertos que possa executar, depende do trabalho: o Marker e a Datalab fazem isso bem e a anyformat não é uma forma mais barata de o fazer. E se gosta da conversão do Marker, os dois podem coexistir, porque a camada que torna o resultado seguro para produção é a que a anyformat acrescenta.
Quando escolher o Marker
Conversão rápida e de baixo custo para Markdown ou JSON, com código aberto que pode executar enquanto a sua empresa estiver abaixo dos limiares da licença dos pesos, ou a API alojada da Datalab quando quer conversão e extração por página a uma tarifa baixa.
Quando a extração tem de funcionar como um processo e não como uma chamada: confiança por campo com evidência, regras de validação, revisão humana, orquestração sem código e versões de fluxo fixas, como serviço gerido. Comece em anyformat.ai.
Veja também as outras comparações: anyformat vs Docling, anyformat vs LlamaParse e anyformat vs Mistral OCR, ou consulte todas as comparações.
