Извлечение данных нейросети без облака: Lift и NuExtract3 заменяют GPT на своём сервере

Компания Datalab выпустила Lift, модель для извлечения данных из документов, которая принимает PDF или изображение вместе со схемой нужных полей и сразу возвращает готовый JSON, минуя обычный двухшаговый конвейер «сначала распознай текст, потом отправь в языковую модель».

Релиз интересен тем, что рядом с Lift уже есть конкурент с открытыми весами (open weights, когда авторы публикуют параметры модели для свободного скачивания), NuExtract3 от NuMind, вдвое компактнее и с более свободной лицензией. Для тех, кто работает с документами в России, оба варианта означают одно: извлечение данных нейросети можно запустить локально, без Azure и Google.

Что умеет Lift и чем отличается от привычных инструментов?

Большинство инструментов для работы с документами решают одну из двух задач:

• Парсеры превращают документ в промежуточное представление: Markdown, HTML, таблицы, заголовки. Сюда относятся Docling, MinerU, Marker, Unstructured и другие. Их результат повторяет структуру документа.
• Экстракторы возвращают конкретные поля, которые нужны приложению: номер счёта, имя поставщика, сумма, дата оплаты. Сюда попадают Lift, NuExtract3, LlamaExtract, Reducto Extract, Azure Content Understanding. Их результат повторяет схему запроса.

Lift работает как экстрактор и делает это за один визуальный проход: модель смотрит на отрендеренное изображение страницы и сразу формирует JSON по заданной схеме. Традиционная цепочка «PDF в Markdown, затем Markdown в языковую модель» не нужна.

Ключевые характеристики Lift по данным Datalab:

• Размер: 9 миллиардов параметров, мультимодальная (multimodal, то есть понимает и текст, и изображение) модель
• Поддерживает декодирование с ограничением по схеме (schema-constrained decoding): модель физически не может выдать JSON, не совпадающий со структурой, которую вы задали
• Медианная задержка: 9,5 секунды на документ в тесте Datalab, против 28,1 секунды у Gemini Flash 3.5

Lift против NuExtract3: какую модель ставить локально?

NuExtract3 от NuMind, самый близкий конкурент с открытыми весами. По описанию NuMind, это модель на 4 миллиарда параметров с лицензией Apache-2.0 (позволяет коммерческое использование без ограничений), которая умеет и извлекать поля, и конвертировать документ в Markdown.

По бенчмарку Datalab, точность по полям у Lift составляет 90,2%, у NuExtract3, 81,5%. Но выбор не сводится к одной цифре:

• NuExtract3 подойдёт, если важна свободная лицензия, компактный размер для развёртывания на скромном железе и универсальность: та же модель может и распознать документ в Markdown
• Lift выгоднее, если задача строго про извлечение данных нейросети по заданной схеме и критичны скорость с точностью

Важная оговорка: бенчмарк проводил сам Datalab, то есть создатель Lift. Независимых сравнений в источнике не приводится.

Почему не отправить документ в Gemini или GPT?

Отправить PDF в большую облачную модель (Gemini, GPT) и попросить вернуть JSON, рабочий вариант. По тому же бенчмарку Datalab, Gemini Flash 3.5 чуть точнее Lift по полям и по документам целиком.

Но облачный путь проигрывает, когда:

• документов много и платить за каждый вызов API дорого
• данные нельзя отправлять за пределы контура (резиденция данных)
• нужна стабильная скорость без зависимости от очереди провайдера

Lift в тесте Datalab обрабатывал документ втрое быстрее Gemini Flash 3.5. Для потока в тысячи страниц разница ощутима.

А что с Azure, Google Document AI, AWS Textract?

Облачные платформы (Azure AI Document Intelligence, Google Document AI, AWS Textract) дают не только модель, а целую инфраструктуру: мониторинг, интеграцию с корпоративной экосистемой, цитирование источников в ответе. По бенчмарку Datalab, Azure Content Understanding показал более низкую точность полей и более высокую задержку, чем Lift, но зато умеет указывать, откуда в документе взято каждое значение. У открытых весов Lift такой функции нет; она есть только в платном API Datalab.

Как попробовать?

1. Скачайте открытые веса Lift с Hugging Face (модель весит 9B параметров, потребуется видеокарта с достаточным объёмом памяти)
2. Подготовьте JSON-схему с нужными полями: имена, даты, суммы или любые другие данные, которые хотите получить из документа
3. Подайте на вход PDF или изображение вместе со схемой; модель вернёт заполненный JSON
4. Если нет подходящего железа, попробуйте облачный API Datalab, он дополнительно добавляет цитирование и оценку уверенности по каждому полю

Есть ли российский аналог?

Прямого аналога Lift или NuExtract3 среди российских продуктов в источнике не упоминается. YandexGPT и GigaChat, мультимодальные модели, которые теоретически могут извлекать поля из документа по промпту (промпт, текстовая инструкция для модели), но они работают через облако и не заточены под схемное извлечение за один проход.

Для тех, кому критична работа без облака, именно Lift и NuExtract3 закрывают задачу извлечения данных нейросети на собственном оборудовании.

Частые вопросы

Можно ли использовать Lift без видеокарты?

Модель содержит 9 миллиардов параметров, для комфортной работы нужна видеокарта с достаточным объёмом видеопамяти. Без GPU (графический процессор, отвечает за вычисления нейросетей) инференс (инференс, процесс, когда модель обрабатывает ваш запрос и выдаёт результат) будет крайне медленным. Если подходящего железа нет, используйте облачный API Datalab или выберите NuExtract3, она вдвое компактнее.

Чем извлечение отличается от парсинга?

Парсер сохраняет структуру документа: заголовки, таблицы, абзацы. Экстрактор возвращает только те поля, которые вы запросили: дату, сумму, имя контрагента. Lift, это экстрактор. Если вам нужен полный текст документа в Markdown, смотрите на парсеры вроде Docling или MinerU, или на NuExtract3, которая умеет и то, и другое.

Подходит ли Lift для работы с русскоязычными документами?

В источнике поддержка конкретных языков не указана. Перед тем как разворачивать модель на своих серверах, проверьте качество извлечения на нескольких русскоязычных PDF. Если результат нестабильный, на русском языке облачные YandexGPT и GigaChat через промпт могут оказаться надёжнее, хотя и без гарантии формата.