Datalab Lift против конкурентов: как 9B-экстрактор документов работает с JSON Schema

Компания Datalab в июле 2026 года опубликовала сравнительный разбор своего инструмента Lift — 9-миллиардной модели для извлечения структурированных данных из документов — против четырёх популярных альтернатив: NuExtract3, LlamaExtract, Marker и Docling.

Как устроен Lift

Lift построен по schema-first принципу: на вход подаётся PDF или изображение страницы вместе с JSON Schema, и модель возвращает готовый структурированный JSON без промежуточных шагов.

Большинство конкурентных пайплайнов работают иначе: сначала документ переводится в Markdown с помощью конвертера — OCR плюс распознавание разметки, — затем отдельная языковая модель вытаскивает из текста нужные поля. Lift объединяет оба этапа в один: он анализирует отрендеренные изображения страниц напрямую и сразу выдаёт результат в требуемом формате.

Ключевые характеристики инструмента:

• Размер модели — 9 млрд параметров
• Входные форматы — PDF и изображения страниц
• Выходной формат — JSON строго по переданной JSON Schema
• Архитектура — vision-based, без промежуточного Markdown
• Конкуренты в сравнении — NuExtract3, LlamaExtract, Marker, Docling

Чем отличаются конкуренты

Marker и Docling — конвертеры документов: они специализируются на точном воспроизведении структуры страницы в Markdown или HTML. Это полезно, когда нужен текстовый слой для поиска, индексирования или дальнейшей обработки языковой моделью, — но само по себе структурированных данных не даёт.

NuExtract3 и LlamaExtract по задаче ближе к Lift: оба принимают схему и возвращают структурированный JSON. Однако они, как правило, работают поверх уже преобразованного текста, а не с сырым визуальным представлением страницы.

Подход Lift нишевый: модель жертвует универсальностью — нет режима «просто прочитай документ» — ради точности и прямолинейности в сценариях с заранее известной схемой данных.

Когда schema-first подход выигрывает

Schema-first архитектура имеет смысл прежде всего в промышленных пайплайнах, где структура выходных данных определена заранее: извлечение полей из счетов-фактур, договоров, медицинских записей, таможенных деклараций, банковских выписок.

В таких случаях двухшаговый конвейер «конвертация в Markdown → LLM-извлечение» создаёт лишнее звено: ошибка парсера на первом шаге деградирует качество на втором. Lift исключает этот риск, работая непосредственно с визуальным представлением страницы и нацеливаясь сразу на финальный формат.

Ограничение — жёсткая зависимость от схемы. Для неструктурированных задач или когда требуется «весь текст документа», Lift не подходит. Для таких сценариев Marker или Docling остаются более подходящим выбором.

Что это значит

Сравнение Datalab обозначает новую линию разграничения в рынке document AI: универсальные конвертеры против специализированных экстракторов. Для команд с чёткими требованиями к выходным данным schema-first инструменты могут существенно упростить пайплайн и сократить число движущихся частей в продакшн-системах.