Datalab publie lift, un modèle de 9 milliards de paramètres à poids ouverts pour extraire du JSON de PDF

Datalab a publié lift, un modèle visuel ouvert de 9 milliards de paramètres qui convertit des documents PDF et des images en JSON structuré selon un schéma donné. Sur un ensemble de 225 documents réels, le modèle a atteint 90,2 % de précision par champ, l'un des indicateurs clés de l'analyse automatique de documents.

Comment fonctionne lift

Le principe est simple : le modèle prend deux entrées, un document (PDF ou image) et un schéma JSON décrivant la structure de données voulue. En sortie, il produit un objet JSON dont les champs sont remplis avec les valeurs extraites du document.

La particularité technique centrale est le décodage contraint par schéma (schema-constrained decoding). À chaque étape de génération des tokens, les options autorisées sont limitées à celles qui correspondent au schéma donné. Le JSON obtenu est toujours syntaxiquement valide et conforme aux types attendus : pas d'accolade en trop, pas de chaîne là où un nombre est attendu, pas de tableau là où un objet est attendu.

La seconde particularité importante est l'abstention apprise (trained abstention). Si un champ du schéma est absent du document, le modèle renvoie explicitement null au lieu d'inventer une valeur. C'est une réponse directe au problème des hallucinations : les modèles génératifs « remplissent » souvent les champs vides avec des données plausibles mais fabriquées. Un null explicite est plus fiable : le système en aval peut gérer correctement l'absence du champ au lieu de recevoir une erreur silencieuse.

Ce qu'a montré le benchmark

Datalab a testé lift sur un ensemble de 225 documents réels de types variés. La métrique principale est la précision par champ (field accuracy) : la part des champs que le modèle a remplis correctement par rapport à l'annotation de référence. Le résultat final est de 90,2 %, un chiffre solide pour le document intelligence.

Il faut comprendre le contexte : un même type de document (une facture, par exemple) peut exister sous des dizaines de formats selon les fournisseurs, avec des tableaux de formes différentes, des annotations manuscrites et des scans de mauvaise qualité. Une précision élevée sur un ensemble hétérogène témoigne d'une réelle capacité de généralisation.

Caractéristiques principales du modèle :

• Poids ouverts : déploiement sans dépendre d'une API cloud tierce
• 9 milliards de paramètres : tient sur un seul GPU de serveur (A100, H100) ou sur une carte grand public puissante
• Schémas JSON arbitraires : s'adapte à tout type de document sans réentraînement
• Renvoie null plutôt que d'halluciner : comportement prévisible lorsque la source ne contient pas la donnée
• Traitement natif des PDF et des images, sans étape d'OCR distincte en entrée

Pourquoi les entreprises en ont besoin

Le traitement des documents non structurés est un mal chronique des processus d'entreprise. Factures fournisseurs, contrats, dossiers médicaux, déclarations douanières, relevés bancaires, polices d'assurance : tout arrive sous des formats différents et exige soit une saisie manuelle, soit une automatisation coûteuse.

L'approche traditionnelle repose sur un pipeline en plusieurs étapes : OCR pour reconnaître le texte, normalisation, extraction d'entités nommées par NLP, post-traitement et vérification manuelle des champs douteux. Chaque étape est un point de défaillance distinct et un poste de dépense distinct en développement et en maintenance.

lift raccourcit ce chemin : on décrit la structure voulue sous forme de schéma JSON, on fournit le document et l'on obtient un JSON prêt à l'emploi. Les poids ouverts permettent de déployer le modèle dans son propre environnement et, si nécessaire, de l'affiner sur des documents d'entreprise sans transmettre de données à des services externes. Pour les établissements financiers, les structures médicales et les cabinets juridiques soumis à des exigences strictes de confidentialité, c'est essentiel.

Datalab est déjà connue de la communauté pour Marker, un convertisseur de PDF en Markdown de haute qualité. lift prolonge cette gamme en ajoutant une sortie structurée et un typage strict des données.

Ce que cela change

Les modèles ouverts spécialisés dans le document intelligence abaissent le seuil d'entrée de l'automatisation des flux documentaires. Si lift conserve la précision annoncée sur des données d'entreprise réelles, il devient une alternative sérieuse aux plateformes cloud comme Amazon Textract ou Azure Form Recognizer, sans vendor lock-in et avec la possibilité d'un ajustement fin à ses propres types de documents.