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

Datalab a lancé lift — un modèle visuel ouvert avec 9 milliards de paramètres qui transforme les documents PDF et images en JSON structuré selon un schéma fourni. Sur un ensemble de 225 documents réels, le modèle a atteint une précision de 90,2% par champ — l'une des métriques clés dans les tâches d'analyse automatique de documents.

Comment fonctionne lift

Le principe de fonctionnement est simple : le modèle reçoit deux entrées — un document (PDF ou image) et un schéma JSON décrivant la structure de données requise. La sortie est un objet JSON dont les champs sont remplis par des valeurs extraites du document.

La caractéristique technique clé est le décodage avec contrainte de schéma (schema-constrained decoding). À chaque étape de la génération de tokens, les variantes autorisées sont limitées à celles qui respectent le schéma fourni. Le JSON résultant est toujours syntaxiquement valide et correspond aux types attendus : pas de parenthèses superflues, des chaînes de caractères au lieu de nombres, ou des tableaux où un objet est attendu.

La deuxième caractéristique importante est l'abstention entraînée (trained abstention). Si un champ du schéma est absent du document, le modèle retourne explicitement null au lieu d'inventer une valeur. Cela résout directement le problème des hallucinations : les modèles génératifs « remplissent » souvent les champs vides avec des données plausibles mais fictives. Un null explicite est plus fiable — le système en aval peut gérer correctement l'absence d'un champ plutôt que de recevoir une erreur silencieuse.

Ce qu'a montré l'évaluation

Datalab a testé lift sur un ensemble de 225 documents réels de différents types. La métrique principale est la précision par champ : la proportion de champs que le modèle a correctement remplis par rapport aux annotations de référence.

Le résultat final — 90,2% — est un indicateur significatif pour l'extraction de documents. Il est important de comprendre le contexte : le même type de document (par exemple, une facture) peut exister dans des dizaines de formats de différents fournisseurs, avoir différentes mises en page de tableaux, des annotations manuscrites et une mauvaise qualité de numérisation. Une haute précision sur un ensemble hétérogène est le signe d'une véritable capacité de généralisation.

Caractéristiques clés du modèle :

• Poids ouverts — déploiement sans dépendre d'APIs cloud tiers
• 9 milliards de paramètres — tient sur un seul GPU serveur (A100, H100) ou une carte consommateur puissante
• Schémas JSON arbitraires — s'adapte à n'importe quel type de document sans fine-tuning
• Retourne null au lieu des hallucinations — comportement prévisible quand les données sont absentes de la source
• Traitement natif des PDF et images sans étape OCR séparée en entrée

Pourquoi c'est important pour les entreprises

L'analyse de documents non structurés est une douleur chronique des processus d'entreprise. Les factures de fournisseurs, contrats, dossiers médicaux, déclarations douanières, relevés bancaires, polices d'assurance — tout arrive dans des formats différents et nécessite soit une saisie manuelle de données, soit une automatisation coûteuse.

L'approche traditionnelle implique un pipeline multi-étapes : OCR pour la reconnaissance de texte, normalisation, extraction d'entités nommées via NLP, post-traitement et vérification manuelle des champs douteux. Chaque étape est un point de défaillance distinct et un élément de ligne distinct dans les coûts de développement et de maintenance.

lift raccourcit ce chemin : vous décrivez la structure requise sous forme de schéma JSON, passez le document — obtenez un JSON prêt. Les poids ouverts vous permettent de déployer le modèle dans votre propre infrastructure et, si nécessaire, de l'affiner sur des documents d'entreprise sans envoyer les données vers des services externes. Pour les organisations financières, les institutions médicales et les cabinets juridiques ayant des exigences strictes de confidentialité, c'est fondamentalement important.

Datalab est déjà connue dans la communauté pour l'outil Marker — un convertisseur PDF vers Markdown de haute qualité. lift poursuit cette ligne, en ajoutant une sortie structurale et un typage strict des données.

Ce que cela signifie

Les modèles ouverts spécialisés pour l'extraction de documents abaissent la barrière d'entrée pour l'automatisation des documents. Si lift maintient sa précision annoncée sur les données d'entreprise réelles, elle devient une alternative sérieuse aux plateformes cloud comme Amazon Textract ou Azure Form Recognizer — sans verrouillage des fournisseurs et avec la capacité d'affiner pour vos propres types de documents.