Datalab uwalnia lift: Nowy standard w strukturyzacji danych z dokumentów wizualnych

Datalab wypuścił lift, otwartoźródłowy model klasy vision z 9 miliardami parametrów, który bierze na celownik największy koszmar automatyzacji biurowej: bałagan w dokumentach PDF. Podczas gdy giganci tacy jak Google czy OpenAI stawiają na ogólne modele do wszystkiego, lift zajmuje się jedną, konkretną rzeczą – zamianą obrazu faktury czy raportu na bezbłędny kod JSON. To ogłoszenie z czerwca 2026 roku zmienia układ sił w sektorze on-premise, oferując narzędzie, które można uruchomić na własnej karcie graficznej bez wysyłania wrażliwych danych do chmury.

Dlaczego to ważne teraz? Przedsiębiorstwa coraz częściej szukają ucieczki od wysokich opłat za API i niejasnych polityk prywatności dużych dostawców. Lift wchodzi w ten segment z licencją OpenRAIL-M, będąc darmowym rozwiązaniem dla startupów generujących do 5 milionów dolarów przychodu. Co ważniejsze, model rozwiązuje problem tzw. 'pękania struktury’ – sytuacji, w której AI generuje treść poprawną, ale o technicznej składni, która zawiesza systemy informatyczne.

Mechanika wymuszonej poprawności

Największą innowacją nie jest tu sama analiza obrazu, lecz sposób generowania odpowiedzi. Zespół Datalab zaimplementował mechanizm dekodowania ograniczonego schematem (schema-constrained decoding). „Lift nie tylko 'widzi’ dokument, ale tworzy wynik, dopasowując każdy generowany token do gramatyki zdefiniowanej przez użytkownika w JSON Schema” – tłumaczy zespół inżynierów Datalab. W praktyce oznacza to, że model ma techniczny kaganiec: nie może postawić przecinka czy nawiasu tam, gdzie nie przewiduje tego programista. Dzięki temu wynik jest zawsze zgodny z dokumentacją techniczną aplikacji.

Precyzja kontra halucynacje: Trening wstrzemięźliwości

Dla inżynierów danych największą zmorą nie jest brak danych, lecz dane zmyślone. Halucynowanie numerów NIP czy dat płatności w dokumentach finansowych generuje realne straty. Lift rozwiązuje to poprzez specyficzny trening „abstynencji”. Zasada jest prosta: „Jeśli pole zdefiniowane w schemacie nie występuje fizycznie w dokumencie, model zwraca wartość null zamiast próbować zgadywać treść”. To pozwala budować systemy, w których człowiek wchodzi do akcji tylko wtedy, gdy AI otwarcie przyznaje się do braku informacji.

Wydajność w liczbach: Benchmarki i rzeczywistość

W testach przeprowadzonych na zbiorze 225 dokumentów – od prostych paragonów po skomplikowane raporty laboratoryjne – lift osiągnął 90,2% dokładności w zakresie poszczególnych pól. To wynik, który pozwala mu wyprzedzić konkurencję taką jak NuExtract3 czy Qwen3.5-9B. Interesująco wygląda też kwestia szybkości: mediana 9,5 sekundy na dokument sprawia, że w zadaniach lokalnych lift działa niemal trzy razy szybciej niż Gemini Flash 3.5.

Trzeba jednak zachować chłodną głowę. Pełna poprawność całego dokumentu (Full-document accuracy), oznaczająca zero błędów w każdym pojedynczym polu długiego pliku, wynosi dla lift 20,9%. To wciąż lepiej niż u innych modeli open-source, ale pokazuje, że przy wielostronicowych dokumentach rozwiązania chmurowe wciąż mają przewagę dzięki potężniejszej infrastrukturze weryfikacyjnej.

Model dla startupów i sektora on-premise

Dla wielu firm kluczowa będzie suwerenność danych. Możliwość uruchomienia tak sprawnego silnika na własnym sprzęcie – od konsumenckich kart RTX 3090 po serwerowe H100 – to silny argument. Jak zauważa CEO Datalab, dla startupów jest to realna alternatywa dla kosztownych i często nieprzejrzystych pod względem prywatności rozwiązań API.

Integracja z vLLM oraz dostępność prostego interfejsu w Pythonie sprawiają, że lift jest gotowy do wdrożenia niemal z marszu. To narzędzie dla tych, którzy zamiast wizji o 'sztucznej inteligencji myślącej jak człowiek’, potrzebują przewidywalnych, strukturalnych danych do automatyzacji nudnych procesów.