Datalab ha rilasciato Lift, uno strumento di estrazione documentale con una promessa precisa: dato un PDF o un’immagine e uno schema JSON, restituisce direttamente JSON conforme allo schema. Invece di convertire prima il documento in Markdown e poi chiedere a un altro modello di estrarre i campi, Lift legge le immagini renderizzate delle pagine e tenta di emettere l’oggetto strutturato finale in un solo passaggio. Secondo Datalab è un modello vision da 9B con schema-constrained decoding. È utile inquadrarlo per ciò che non è: non è principalmente un motore OCR, né un convertitore PDF-to-Markdown, ma un extractor schema-first.
Parsing contro estrazione
La distinzione che organizza tutto il confronto è tra parser ed extractor. I parser (Docling, MinerU, Marker, Unstructured, PyMuPDF) trasformano i documenti in rappresentazioni intermedie fedeli — Markdown, HTML, layout tree, tabelle — con output document-shaped. Gli extractor (Lift, NuExtract3, LlamaExtract, Reducto) restituiscono i campi che l’applicazione richiede, con output schema-shaped. Molti sistemi in produzione seguono ancora il pattern parse-then-extract; la scommessa di Lift è collassarlo in un unico passaggio visivo, il che riduce la complessità della pipeline solo quando l’obiettivo reale è l’estrazione di campi, non la ricostruzione fedele del documento.
I numeri del confronto
Rispetto al concorrente open-weight più vicino, NuExtract3 (4B, licenza Apache-2.0), Lift è più grande e, nel benchmark di Datalab, riporta una field accuracy superiore: 90,2% contro 81,5%. Rispetto ai frontier multimodal LLM, Gemini Flash 3.5 supera leggermente Lift su field e full-document accuracy, ma Lift è molto più veloce nel setup riportato: 9,5 secondi di latenza mediana contro 28,1. Azure Content Understanding riporta accuracy più bassa e latenza più alta (74 secondi), ma include le citazioni, che i pesi aperti di Lift non hanno. È questo il punto: le piattaforme commerciali (Reducto, Extend, LlamaExtract) e l’API hosted di Datalab aggiungono verifica per campo, citazioni, confidence score e workflow di review — il confronto è model contro platform.
Dove Lift vince davvero
Il vero valore è il rapporto velocità/accuratezza nella fascia open-weight: tra tutto ciò che supera circa il 90% di field accuracy, Lift è di gran lunga il più rapido, e l’unico modello più veloce (NuExtract3) è nove punti meno accurato. Lift gestisce inoltre documenti multi-pagina in un solo passaggio, risolvendo valori che si estendono su più pagine, e offre una superficie developer completa (CLI, API Python, uno Schema Studio in Streamlit). Un caveat resta essenziale: JSON valido non significa JSON corretto — lo schema garantisce la forma, non che il totale o il numero estratto siano giusti.
- Lift è pensato per l’estrazione self-hosted di campi, non per la conversione fedele del documento: per quest’ultima restano più adatti Docling, MinerU o Marker.
- Il vantaggio principale è sul fronte velocità/accuratezza e sul deployment locale, non su provenance e auditabilità.
- Per workflow regolati che richiedono citazioni e verifica per campo, vanno valutate le piattaforme managed o l’API hosted di Datalab.
Fonte: Datalab Lift vs the Field: 9B Schema-First Extractor — https://www.marktechpost.com/2026/07/09/datalab-lift-vs-the-field-how-a-9b-schema-first-extractor-compares-with-nuextract3-llamaextract-marker-and-docling/
Hai qualcosa da aggiungere? Unisciti alla discussione.