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

Datalab lanzó lift — un modelo visual abierto con 9 mil millones de parámetros que transforma documentos PDF e imágenes en JSON estructurado de acuerdo con un esquema proporcionado. En un conjunto de 225 documentos reales, el modelo logró una precisión de campo del 90,2% — una de las métricas clave en tareas de análisis automático de documentos.

Cómo Funciona lift

El principio de funcionamiento es sencillo: el modelo recibe dos entradas — un documento (PDF o imagen) y un esquema JSON que describe la estructura de datos necesaria. La salida es un objeto JSON cuyos campos se rellenan con valores extraídos del documento.

La característica técnica clave es la decodificación restringida por esquema (schema-constrained decoding). En cada paso de generación de tokens, las variantes permitidas se restringen solo a las que cumplen con el esquema proporcionado. El JSON resultante siempre es sintácticamente válido y coincide con los tipos esperados: sin paréntesis extravagantes, cadenas en lugar de números o matrices donde se espera un objeto.

La segunda característica importante es la abstención entrenada (trained abstention). Si un campo del esquema está ausente en el documento, el modelo devuelve explícitamente null en lugar de inventar un valor. Esto resuelve directamente el problema de alucinaciones: los modelos generativos a menudo "rellenan" campos vacíos con datos plausibles pero ficticios. Un null explícito es más confiable — el sistema descendente puede manejar correctamente la ausencia de un campo en lugar de recibir un error silencioso.

Qué Mostró el Benchmark

Datalab probó lift en un conjunto de 225 documentos reales de varios tipos. La métrica principal es la precisión de campo: la proporción de campos que el modelo completó correctamente en relación con la anotación de referencia.

El resultado final — 90,2% — es un indicador significativo para document intelligence. Es importante entender el contexto: el mismo tipo de documento (por ejemplo, una factura) puede existir en docenas de formatos de diferentes proveedores, tener diferentes diseños de tablas, notas manuscritas y mala calidad de escaneo. Una alta precisión en un conjunto heterogéneo es un signo de verdadera capacidad de generalización.

Características clave del modelo:

• Pesos abiertos — implementación sin dependencia de APIs en la nube de terceros
• 9 mil millones de parámetros — cabe en un único GPU de servidor (A100, H100) o en una tarjeta consumer potente
• Esquemas JSON arbitrarios — se adapta a cualquier tipo de documento sin ajuste fino
• Devuelve null en lugar de alucinaciones — comportamiento predecible cuando los datos están ausentes de la fuente
• Procesamiento nativo de PDF e imágenes sin una etapa OCR separada en la entrada

Por Qué Esto Importa para el Negocio

El análisis de documentos no estructurados es un dolor crónico en los procesos corporativos. Facturas de proveedores, contratos, registros médicos, declaraciones aduanales, extractos bancarios, pólizas de seguros — todo llega en diferentes formatos y requiere entrada manual de datos o automatización costosa.

El enfoque tradicional implica un pipeline de múltiples etapas: OCR para reconocimiento de texto, normalización, extracción de entidades nombradas mediante NLP, post-procesamiento y verificación manual de campos cuestionables. Cada etapa es un punto de falla separado y un elemento de línea separado en los costos de desarrollo y mantenimiento.

lift acorta este camino: describes la estructura necesaria como un esquema JSON, pasas el documento — obtienes JSON listo. Los pesos abiertos te permiten desplegar el modelo en tu propia infraestructura y, si es necesario, ajustarlo finamente en documentos corporativos sin enviar datos a servicios externos. Para organizaciones financieras, instituciones médicas y despachos de abogados con requisitos estrictos de confidencialidad, esto es fundamentalmente importante.

Datalab ya es conocida en la comunidad por la herramienta Marker — un convertidor de PDF a Markdown de alta calidad. lift continúa esta línea, agregando salida estructurada y tipificación estricta de datos.

Qué Significa Esto

Los modelos abiertos especializados para document intelligence reducen la barrera de entrada para la automatización de documentos. Si lift mantiene su precisión reclamada en datos corporativos reales, se convierte en una alternativa seria a plataformas en la nube como Amazon Textract o Azure Form Recognizer — sin bloqueo de proveedor y con la capacidad de ajustarse finamente para sus propios tipos de documentos.