Datalab выпустила lift — 9B-модель с открытыми весами для извлечения JSON из PDF

أطلقت Datalab نموذج lift — وهو نموذج بصري مفتوح يحتوي على 9 مليارات معامل يحول مستندات PDF والصور إلى JSON منظم وفقاً لمخطط محدد. على مجموعة من 225 مستند حقيقي، حقق النموذج دقة بنسبة 90.2٪ على مستوى الحقول — وهي إحدى المقاييس الرئيسية في مهام تحليل المستندات التلقائي.

كيف يعمل lift

مبدأ التشغيل واضح: يتلقى النموذج مدخلين — مستند (PDF أو صورة) ومخطط JSON يصف هيكل البيانات المطلوب. المخرج هو كائن JSON تتم ملء حقوله بالقيم المستخرجة من المستند.

الميزة التقنية الرئيسية هي فك التشفير المقيد بالمخطط (schema-constrained decoding). في كل خطوة من خطوات توليد الرموز، تقتصر المتغيرات المسموحة فقط على تلك التي تتوافق مع المخطط المحدد. JSON الناتج يكون دائماً صحيح الصيغة ويتطابق مع الأنواع المتوقعة: لا توجد أقواس إضافية، سلاسل نصية بدلاً من الأرقام، أو مصفوفات حيث يتوقع كائن.

الميزة الثانية المهمة هي الامتناع المُدرّب (trained abstention). إذا كان حقل من المخطط غائباً في المستند، يعيد النموذج صراحة null بدلاً من اختراع قيمة. يحل هذا مباشرة مشكلة الهلوسات: غالباً ما تملأ النماذج التوليدية الحقول الفارغة بيانات معقولة لكن خيالية. القيمة null الصريحة أكثر موثوقية — يمكن للنظام النازل التعامل بشكل صحيح مع غياب حقل بدلاً من تلقي خطأ صامت.

ما أظهره المعيار

اختبرت Datalab نموذج lift على مجموعة من 225 مستند حقيقي من أنواع مختلفة. المقياس الأساسي هو دقة الحقول: نسبة الحقول التي ملأها النموذج بشكل صحيح مقارنة بالتعليقات المرجعية.

النتيجة النهائية — 90.2٪ — مؤشر كبير لذكاء المستندات. من المهم فهم السياق: يمكن أن يتجاوز نوع المستند نفسه (على سبيل المثال، الفاتورة) عشرات الصيغ من موردين مختلفين، ويحتوي على تخطيطات جداول مختلفة وملاحظات مكتوبة بخط اليد وجودة مسح سيئة. الدقة العالية على مجموعة غير متجانسة هي علامة على القدرة على التعميم الحقيقي.

الخصائص الرئيسية للنموذج:

• أوزان مفتوحة — النشر بدون الاعتماد على واجهات برمجة تطبيقات سحابية تابعة لجهات خارجية
• 9 مليارات معامل — يتسع على معالج رسوميات خادم واحد (A100, H100) أو بطاقة مستهلك قوية
• مخططات JSON عشوائية — يتكيف مع أي نوع مستند دون ضبط دقيق
• يعيد null بدلاً من الهلوسات — سلوك يمكن التنبؤ به عند غياب البيانات من المصدر
• معالجة أصلية لـ PDF والصور بدون مرحلة OCR منفصلة عند الإدخال

لماذا هذا مهم للأعمال

تحليل المستندات غير المنظمة هو ألم مزمن في العمليات الشركية. تأتي فواتير الموردين والعقود والسجلات الطبية والتصاريح الجمركية والكشوفات البنكية وبوالص التأمين بصيغ مختلفة وتتطلب إما إدخال بيانات يدوي أو أتمتة مكلفة.

يتضمن النهج التقليدي خط أنابيب متعدد المراحل: OCR لتمييز النصوص والتطبيع واستخراج الكيانات المسماة عبر NLP ومعالجة لاحقة والتحقق اليدوي من الحقول المريبة. كل مرحلة نقطة فشل منفصلة وبند تكلفة منفصل في تطوير وصيانة النظام.

يقصر lift هذا المسار: تصف الهيكل المطلوب كمخطط JSON وتمرر المستند — تحصل على JSON جاهز. الأوزان المفتوحة تسمح لك بنشر النموذج في البنية التحتية الخاصة بك وإذا لزم الأمر، ضبطه بدقة على مستندات الشركة دون إرسال البيانات إلى خدمات خارجية. بالنسبة للمؤسسات المالية والمؤسسات الطبية ومكاتب المحاماة ذات متطلبات السرية الصارمة، هذا مهم بشكل أساسي.

تشتهر Datalab بالفعل في المجتمع بأداة Marker — محول PDF إلى Markdown عالي الجودة. يستمر lift في هذا الاتجاه ويضيف إخراج منظم وتحديد نوع البيانات الصارم.

ماذا يعني هذا

النماذج المفتوحة المتخصصة لذكاء المستندات تخفض حاجز الدخول للأتمتة. إذا حافظ lift على دقته المعلنة على بيانات الشركات الحقيقية، يصبح بديلاً جادياً لمنصات سحابية مثل Amazon Textract أو Azure Form Recognizer — بدون قفل البائع وبالقدرة على الضبط الدقيق لأنواع المستندات الخاصة بك.