楼主: M260528111544MK
368 0

[CAIE资讯] 10秒提完几百页PDF !单卡就能跑王炸开源模型,文档提取断层领先 [推广有奖]

  • 0关注
  • 0粉丝

编辑管理员

教授

94%

还不是VIP/贵宾

-

威望
0 级
论坛币
0 个
通用积分
62.8567
学术水平
5 点
热心指数
5 点
信用等级
5 点
经验
7070 点
帖子
1409
精华
0
在线时间
3 小时
注册时间
2026-5-28
最后登录
2026-11-16

楼主
M260528111544MK 发表于 2026-6-20 19:00:00 来自手机 |AI写论文

+2 论坛币
k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群
赵安豆老师微信:zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

感谢您参与论坛问题回答

经管之家送您两个论坛币!

+2 论坛币

5分钟测出你真实AI能力、点击下方小程序

免费领取AI入门学习资料、全套题库

图片

做文档处理这件事听起来简单,实际做过的朋友都知道里面有多少坑。

平时拿到一堆排版花里胡哨的PDF发票或者超长合同,想把里面的关键金额和明细提取出来变成结构化数据,传统方案真的能让人崩溃。

你要么靠正则表达式写到手抽筋,要么搞个OCR识别完文字,再自己写一堆逻辑去拼凑上下文,碰上跨页的表格基本就直接放弃挣扎了。

Datalab的创始人刚刚宣布开源了一个王炸模型Lift。参数只有90亿,单卡就能跑起来,但在文档提取方面效率奇高!

开源地址:https://github.com/datalab-to/lift

咱们先看最硬核的跑分数据。在他们搞的那个相当刁钻的测试集里,总共225篇文档每篇页数从6到64页不等,加起来大约有11000个待提取的字段。

Lift直接拿到了90.2%的字段准确率。这个成绩在同体量能自己部署的模型里属于断层领先,甚至能跟那些体积庞大收费昂贵的闭源大模型掰掰手腕。

离谱的是它的速度,处理一篇文档的中位数时间只要不到10秒的时间,比那些准确率差不多的模型快了整整三四倍。可以说是又快又准,单卡跑起来毫无压力。

说到它的用法其实非常干净利落。你写一个标准的结构定义,把发票号或者总金额这些需求列出来,然后把文档丢给它就行。

Lift会非常老实逐字段地从页面上读取内容,最后返回的数据格式永远合规不会出什么幺蛾子。

这里有一个设计细节我真的想夸一句,被训练成在文档里确实找不到某个字段的时候会直接返回空值,而不是在那瞎编乱造。

<iframe class="video_iframe rich_pages" data-src="https://mp.weixin.qq.com/mp/readtemplate?t=pages/video_player_tmpl&action=mpvideo&auto=0&vid=wxv_4569018462425284615" data-mpvid="wxv_4569018462425284615" data-vidtype="2" data-cover="http%3A%2F%2Fmmbiz.qpic.cn%2Fmmbiz_jpg%2FjuxlRdXDvzHpGdLDY7EXcBWZ9NcrvhtZpzcz4PlhAoPBYK62uLK64pp8J6LZzVxs2icZZyenhUebE2zkeBhakU9WgiaT9MFiaPpbn3cJGk44Tc%2F0%3Fwx_fmt%3Djpeg" data-ratio="1.7777777777777777" data-w="1920"></iframe>

这太关键了。你想想如果一个模型文档里压根没有税号这个字段,非要给你编一个出来,这种沉默的错误你根本排查不到。Lift这种克制的老实态度反而让它在实际业务里极其可靠。

再看看同行衬托的对比测试就更明显了。同场竞技的微软Azure内容理解工具准确率只有83.4%,而且慢得要命处理一份要花73.7秒。

同体量的通义千问Qwen3.5只有76.3%的准确率,另一个叫NuExtract3的模型也就81.5%。

Lift在这个区间里真的是神挡杀神。就算对比那些闭源巨头比如Gemini Flash拿到91.3%的准确率但需要28.1秒,Lift用微小的准确率牺牲换来了成倍的速度提升。

对于需要自己部署模型控制成本和隐私的团队来说,Lift目前就是那个最优解。

上手门槛也不难,三步就能轻松搞定。先安装一下官方的包,然后用vLLM框架把模型跑起来,最后指定你的结构定义文件对PDF进行提取就完事了。

如果你想本地折腾它还提供了Python的接口可以用HuggingFace后端在自家显卡上跑,甚至带了个叫Schema Studio的小工具帮你构建和测试。

还是基于Apache 2.0完全开源的,模型权重对个人研究和年收入低于500万美元的创业公司免费,可以说是对小团队极其友好了。

我觉得Lift填补了一个非常实在的空白。在可自部署的小模型这个区间里以前根本没一个选项是真正能打的。

现在不仅有了而且速度快得飞起。如果你每天都在跟各种发票、合同、报表打交道,被文档提取折磨得不轻,可以试试这个精悍的小模型。

AI 实操交流群
找一群同路小伙伴一起进步

企业、高校及渠道合作

请联系微信:FYLlaoshi

图片

二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

关键词:PDF extract python GitHub apache

您需要登录后才可以回帖 登录 | 我要注册

本版微信群
扫码
拉您进交流群
GMT+8, 2026-11-16 20:43