在人工智能处理非结构化数据的浪潮中，如何高效地从文档中提取结构化信息一直是行业痛点。近期，Datalab 推出了一款名为 Lift 的 9B 参数模型，旨在通过“Schema-first”的架构，彻底改变文档解析的传统流程。与市场上现有的 NuExtract3、LlamaExtract、Marker 和 Docling 等工具相比，Lift 展现出了独特的竞争力。
传统文档提取流程通常较为繁琐，往往需要先通过 OCR 或渲染引擎将 PDF 转换为 Markdown 文本，然后再利用另一个大语言模型（LLM）来解析文本并提取特定字段。这种“两步走”的方案不仅增加了计算成本，还可能因为中间步骤的误差导致最终结果的准确性下降。相比之下，Datalab Lift 采取了更为激进的“Schema-first”策略。它直接接收 PDF 文件或图片以及用户定义的 JSON Schema，利用模型读取渲染后的页面图像，并尝试直接输出符合 Schema 格式的最终 JSON 数据。这种端到端的处理方式，极大地简化了工作流。
作为一款 9B 参数的模型，Lift 在保持较高精度的同时，兼顾了推理速度和部署成本。在文档智能处理领域，模型参数量并非越大越好，针对特定任务优化的轻量级模型往往能提供更优的性价比。Lift 的出现，为需要快速集成文档提取功能的企业提供了一个强有力的选择。通过与 Marker 的对比可以看出，Marker 侧重于高质量的 Markdown 渲染，而 Lift 则直接跳过渲染环节，直击结构化提取的核心需求。
此外，Lift 与 NuExtract3 和 LlamaExtract 等竞品的对比也揭示了当前技术路线的多样性。NuExtract3 等工具同样致力于结构化提取，但 Lift 的独特之处在于其对渲染图像的直接理解能力，使其在处理复杂排版、表格以及视觉干扰较多的文档时，可能具有更强的鲁棒性。Docling 作为一款成熟的文档解析库，提供了广泛的格式支持，而 Lift 则更像是一个专注于 Schema 约束的高精度提取器。
从行业应用场景来看，Lift 的技术优势非常明显。在财务报销、合同审查、简历解析以及自动化报表生成等领域，企业迫切需要将非结构化的文档转化为结构化的数据库记录。Lift 能够直接输出符合数据库 Schema 的 JSON 数据，这意味着它可以无缝对接后端系统，无需额外的数据清洗和格式转换步骤。这极大地降低了技术门槛，使得开发者能够更专注于业务逻辑的实现。
综上所述，Datalab Lift 的推出不仅是文档智能处理技术的一次迭代，更是对现有工作流的一次效率革新。通过减少中间步骤、优化参数规模，Lift 为开发者提供了一种更轻量、更高效的解决方案。随着更多基准测试数据的公布，Lift 在 NuExtract3、LlamaExtract 等竞品中的具体表现值得持续关注。
信息来源：MarkTechPost，原文链接：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/
