01
Bảng điểm tổng hợp
Tám tiêu chí được gán trọng số theo mức ảnh hưởng đến một quy trình chuyển đổi tài liệu cho AI.
| Tiêu chí | Trọng số | 🔵 Docling | 🟢 MarkItDown | Ghi chú |
|---|---|---|---|---|
| Độ chính xác bố cục tài liệu | 20% | 9.5 | 6.0 | Docling dùng RT-DETR và DocLayNet. |
| Xử lý bảng | 18% | 9.5 | 5.0 | TableFormer so với heuristic dựa trên văn bản. |
| Đa dạng định dạng đầu vào | 15% | 8.5 | 8.5 | Cùng hỗ trợ rộng nhưng khác chất lượng xử lý. |
| Tốc độ và hiệu năng | 12% | 6.0 | 9.0 | MarkItDown nhẹ hơn và không cần ML model. |
| Dễ cài đặt và sử dụng | 10% | 6.5 | 9.5 | pip install markitdown có quy trình gọn hơn. |
| OCR & Nhận diện media | 10% | 6.5 | 9.0 | Docling: EasyOCR truyền thống (pattern). MarkItDown: LLM Vision hiểu ngữ cảnh, mô tả ảnh, xử lý chữ viết tay. |
| Tích hợp AI và LLM pipeline | 8% | 9.0 | 8.0 | Docling có Quackling và LlamaIndex; MarkItDown có Azure AI. |
| Khả năng mở rộng và hệ sinh thái | 7% | 8.5 | 7.5 | Cả hai đều hỗ trợ mở rộng bằng plugin. |
02
Điểm có trọng số
Điểm cuối được tính bằng tổng điểm của từng tiêu chí nhân với trọng số tương ứng.
Docling
9.5×.20 + 9.5×.18 + 8.5×.15 + 6×.12 + 6.5×.10 + 6.5×.10 + 9×.08 + 8.5×.07
Tổng điểm8.22 / 10
MarkItDown
6×.20 + 5×.18 + 8.5×.15 + 9×.12 + 9.5×.10 + 9×.10 + 8×.08 + 7.5×.07
Tổng điểm7.47 / 10
03
Phân tích chi tiết
1. Độ chính xác bố cục
| Khía cạnh | Docling 🔵 | MarkItDown 🟢 |
|---|---|---|
| Tiếp cận | AI model RT-DETR và DocLayNet | Heuristic và thư viện có sẵn |
| Multi-column layout | Xử lý tốt | Thường bị gộp thành một cột |
| Reading order | Suy luận qua hậu xử lý | Theo thứ tự PDF gốc |
| Figures và captions | Ghép tự động | Không |
| Điểm | 9.5 | 6.0 |
2. Xử lý bảng
| Khía cạnh | Docling 🔵 | MarkItDown 🟢 |
|---|---|---|
| Model | TableFormer, Vision Transformer | Trích xuất văn bản đơn giản |
| Bảng không viền | Xử lý tốt | Thường thất bại |
| Cell span và hierarchy | Hỗ trợ đầy đủ | Rất hạn chế |
| Bảng lồng nhau | Xử lý được | Không |
| Điểm | 9.5 | 5.0 |
3. Tốc độ và tài nguyên
| Khía cạnh | Docling 🔵 | MarkItDown 🟢 |
|---|---|---|
| RAM tiêu thụ | Khoảng 6 GB với native backend | Dưới 500 MB |
| Tốc độ CPU | 0.6 đến 1.3 trang/giây | Hàng chục trang/giây |
| Khởi động | Chậm do tải AI model | Rất nhanh |
| GPU | Có, đang phát triển | Không cần |
| Điểm | 6.0 | 9.0 |
4. OCR và nhận diện media
| Khía cạnh | Docling 🔵 | MarkItDown 🟢 |
|---|---|---|
| Phương pháp | EasyOCR nhận dạng pattern ký tự từng chữ | LLM Vision hiểu ngữ cảnh và mô tả toàn bộ ảnh |
| Chữ mờ, hỏng | Thường sai ký tự | Suy luận được từ ngữ cảnh |
| Chữ viết tay | Rất kém | Xử lý được nhiều trường hợp |
| Mô tả hình ảnh, biểu đồ | Không làm được | Ví dụ: “Biểu đồ cột thể hiện doanh thu tăng...” |
| Bảng trong ảnh | Thường thất bại | Hiểu cấu trúc theo ngữ cảnh |
| Tốc độ CPU | Khoảng 30 giây mỗi trang | Phụ thuộc network và model |
| Model linh hoạt | Không, chỉ EasyOCR | Gemini, GPT, Claude, Qwen và các Vision LLM khác |
| Chạy local miễn phí | Có, với EasyOCR | Có, với Ollama và Qwen3-VL, hoặc qua Antigravity |
| Điểm | 6.5 | 9.0 |
5. Cài đặt và sử dụng
| Khía cạnh | Docling 🔵 | MarkItDown 🟢 |
|---|---|---|
| Cài đặt | pip install docling và tải model | pip install 'markitdown[all]' |
| Dependency | PyTorch, ONNX Runtime, AI models | Thư viện nhẹ, bọc các công cụ có sẵn |
| CLI | Có | Có, ví dụ markitdown file.pdf -o out.md |
| Docker | Có | Có |
| Điểm | 6.5 | 9.5 |
6. Tích hợp AI và LLM pipeline
| Khía cạnh | Docling 🔵 | MarkItDown 🟢 |
|---|---|---|
| RAG native | Quackling và LlamaIndex | Thông qua đầu ra Markdown |
| LLM Vision | Chưa tích hợp trực tiếp theo tài liệu nguồn | Mô tả ảnh với GPT-4o |
| Azure AI | Không | Document Intelligence và Content Understanding |
| Đầu ra | JSON, Markdown, HTML, DocTags và các định dạng khác | Chủ yếu là Markdown |
| Điểm | 9.0 | 8.0 |
04
Kết quả cuối cùng
🔵 Docling
8.22
🟢 MarkItDown
7.47
Khoảng cách đã thu hẹp: Docling 8.22, MarkItDown 7.47.
So với phác thảo ban đầu 8.32 và 7.27, điểm mới phản ánh tiêu chí OCR và Vision đã được điều chỉnh: Docling 6.5 với EasyOCR truyền thống; MarkItDown 9.0 nhờ LLM Vision hiểu ngữ cảnh, mô tả ảnh và hỗ trợ model linh hoạt.
05
Gợi ý theo use case
| Tình huống | Nên dùng | Lý do |
|---|---|---|
| RAG production, tài liệu phức tạp | Docling | Độ chính xác cao, giữ cấu trúc tốt. |
| Bảng số liệu, báo cáo tài chính | Docling | TableFormer vượt trội. |
| Bài báo khoa học, bố cục nhiều cột | Docling | Phân tích layout bằng AI. |
| Prototype nhanh, tài liệu đơn giản | MarkItDown | Nhanh, nhẹ và dễ cài. |
| RAM dưới 2 GB | MarkItDown | Không cần tải AI model lớn. |
| Video, audio và email | MarkItDown | Tích hợp Azure Content Understanding. |
| Batch hàng nghìn trang mỗi giờ | MarkItDown | Thông lượng cao hơn đáng kể. |
| Mô tả ảnh bằng LLM | MarkItDown | Có thể tích hợp qua llm_client. |
06
Thống kê GitHub
Số liệu trong tài liệu nguồn được ghi nhận vào tháng 7/2026.
| Chỉ số | Docling | MarkItDown |
|---|---|---|
| Stars | 63.2k | 165k |
| Forks | 4.5k | 11.7k |
| Releases | Nhiều | 19 releases, v0.1.6 mới nhất trong nguồn |
| License | MIT | MIT |
| Đơn vị phát triển | IBM Research | Microsoft AutoGen Team |
Popularity không đồng nghĩa chất lượng cho mọi use case.
MarkItDown hướng đến nhóm người dùng rộng và nhu cầu nhanh gọn. Docling tập trung sâu hơn vào phân tích cấu trúc tài liệu cho AI và ML.
07
Tóm lại
Chọn Docling
Khi ưu tiên chất lượng chuyển đổi PDF phức tạp, bảng biểu, bố cục nhiều cột và pipeline RAG production.
Chọn MarkItDown
Khi cần công cụ nhanh, nhẹ, dễ cài, hỗ trợ nhiều loại nội dung và tiêu thụ ít tài nguyên.
Kết hợp cả hai
Dùng MarkItDown để quét nhanh, sau đó đưa các tài liệu quan trọng sang Docling để xử lý sâu.