Datalab Lift so tài cùng các đối thủ: Đánh giá mô hình trích xuất dữ liệu 9B với NuExtract3, LlamaExtract và Docling

Lift của Datalab là một công cụ trích xuất tài liệu chuyên biệt với một lời hứa cụ thể: chỉ cần cung cấp tệp PDF hoặc hình ảnh cùng với một JSON Schema, công cụ này sẽ trả về dữ liệu JSON đúng theo cấu trúc đó. Thay vì chuyển đổi tài liệu sang Markdown trước rồi mới yêu cầu một mô hình khác trích xuất các trường thông tin, Lift đọc trực tiếp hình ảnh trang tài liệu và cố gắng tạo ra đối tượng có cấu trúc cuối cùng chỉ trong một lần xử lý. Theo Datalab, Lift là một mô hình thị giác (vision model) 9B dùng để trích xuất JSON có cấu trúc từ PDF và hình ảnh, hỗ trợ giải mã theo ràng buộc lược đồ (schema-constrained decoding) và trả về JSON khớp với lược đồ của người dùng.

Định vị này rất quan trọng vì Lift không phải là một công cụ OCR chính, không phải bộ chuyển đổi PDF sang Markdown, và cũng không phải là một nền tảng đánh giá tài liệu doanh nghiệp toàn diện. Cách hiểu đúng nhất về nó là một công cụ trích xuất tài liệu ưu tiên lược đồ (schema-first): một mô hình giúp biến các tài liệu có cấu trúc hình ảnh phức tạp thành các trường dữ liệu sẵn sàng cho ứng dụng.

Hầu hết các công cụ AI tài liệu đều giải quyết một trong hai vấn đề sau:

Sự phân biệt này rất quan trọng vì nhiều hệ thống sản xuất vẫn tuân theo mô hình "phân tích rồi mới trích xuất": chuyển đổi PDF sang Markdown hoặc văn bản có cấu trúc, sau đó gửi biểu diễn đó đến một LLM kèm theo lược đồ. Lift đặt cược vào việc rút gọn quy trình đó thành một lần trích xuất hình ảnh duy nhất. Điều này có thể giảm bớt sự phức tạp của đường ống xử lý (pipeline), nhưng chỉ khi mục tiêu thực sự là trích xuất trường dữ liệu thay vì tái tạo tài liệu một cách trung thực.

Bản đồ cạnh tranh

Lift nằm ở điểm giao thoa của một số danh mục chồng lấp:

Điểm quan trọng là không phải tất cả các công cụ này đều là đối thủ cạnh tranh trực tiếp. Một số cạnh tranh trực tiếp với Lift. Những công cụ khác là cơ sở hạ tầng bổ trợ. Một trình phân tích cú pháp (parser) như Docling không cố gắng giải quyết cùng vấn đề với Lift. Một thư viện giải mã có ràng buộc (constrained-decoding library) hoàn toàn không phải là một mô hình tài liệu. Một nền tảng trích xuất thương mại có thể bao gồm các mô hình trích xuất, trích dẫn, quy trình đánh giá và cơ sở hạ tầng tuân thủ. Lift hẹp hơn: nó là công cụ trích xuất thô ưu tiên lược đồ.

NuExtract3 có lẽ là đối thủ cạnh tranh có trọng số mở (open-weight) gần nhất với Lift. NuMind mô tả NuExtract3 là một mô hình suy luận thị giác-ngôn ngữ 4B thống nhất dành cho việc hiểu tài liệu, kết hợp trích xuất thông tin có cấu trúc với chuyển đổi hình ảnh sang Markdown cho các tài liệu như bản quét, biên lai, biểu mẫu, hóa đơn, hợp đồng và bảng biểu. Thẻ mô hình trên Hugging Face của nó liệt kê giấy phép Apache-2.0.

Sự tương phản rất rõ ràng. Lift lớn hơn với 9B tham số và trong bài kiểm tra chuẩn của chính Datalab, nó báo cáo độ chính xác trường dữ liệu cao hơn NuExtract3: 90,2% so với 81,5%. NuExtract3 nhỏ hơn, có giấy phép cởi mở hơn và cũng được định vị là một mô hình chuyển đổi Markdown.

Vì vậy, quyết định thực tế không chỉ nằm ở độ chính xác. Nếu ưu tiên là giấy phép cởi mở, triển khai cục bộ nhỏ gọn và một mô hình duy nhất có thể chuyển đổi tài liệu sang Markdown, NuExtract3 là một lựa chọn hấp dẫn. Nếu ưu tiên là trích xuất trường dữ liệu ưu tiên lược đồ với sự đánh đổi giữa tốc độ và độ chính xác như Datalab đã báo cáo, Lift trở nên thuyết phục hơn.

Lift so với các LLM đa phương thức tiên phong (frontier multimodal LLMs)

Một giải pháp thay thế phổ biến là gửi tài liệu đến một LLM đa phương thức tiên phong và yêu cầu đầu ra có cấu trúc. Trong bài kiểm tra chuẩn của Datalab, Gemini Flash 3.5 vượt trội hơn Lift một chút về độ chính xác của trường dữ liệu và độ chính xác toàn tài liệu, trong khi Lift nhanh hơn nhiều trong thiết lập được báo cáo: độ trễ trung bình 9,5 giây cho Lift so với 28,1 giây cho Gemini Flash 3.5.

Điều đó không có nghĩa là Lift luôn tốt hơn. Các mô hình tiên phong vẫn hấp dẫn khi khối lượng công việc khiêm tốn, thời gian thiết lập quan trọng hơn việc kiểm soát cơ sở hạ tầng và việc xử lý trên đám mây là chấp nhận được. Lợi thế của Lift xuất hiện khi độ trễ, nơi lưu trữ dữ liệu (data residency), khả năng tự lưu trữ có thể lặp lại và kiểm soát chi phí cho khối lượng lớn trở nên quan trọng.

Lift so với các nền tảng AI tài liệu trên đám mây

Azure AI Document Intelligence, Azure Content Understanding, Google Document AI và AWS Textract là các dịch vụ đám mây được quản lý thay vì chỉ là các mô hình. Chúng cung cấp cơ sở hạ tầng doanh nghiệp để xử lý tài liệu, bao gồm kiểm soát triển khai, độ tin cậy của dịch vụ, giám sát, quy trình mua sắm và tích hợp với các hệ sinh thái đám mây rộng lớn hơn. Microsoft mô tả Azure Content Understanding như một cách để chuyển đổi dữ liệu phi cấu trúc thành thông tin có cấu trúc, máy có thể đọc được trong khi vẫn bảo toàn các mối quan hệ cấu trúc.

Trong bài kiểm tra chuẩn của Datalab, Azure Content Understanding báo cáo độ chính xác trường dữ liệu thấp hơn và độ trễ cao hơn Lift, nhưng nó bao gồm các trích dẫn, điều mà các trọng số mở của Lift không có. API được lưu trữ của riêng Datalab cũng bổ sung xác minh theo từng trường, trích dẫn và điểm tin cậy ngoài mô hình mở.

Đây là sự đánh đổi khi dùng đám mây. Các nền tảng đám mây thường dễ áp dụng hơn trong các công ty đã chuẩn hóa trên Azure, Google Cloud hoặc AWS. Chúng cũng có thể là lựa chọn mạnh mẽ hơn khi quản trị doanh nghiệp quan trọng hơn tốc độ thuần túy. Lập luận phản bác của Lift là tính di động: các nhóm có thể chạy mô hình trích xuất cục bộ hoặc thông qua triển khai vLLM của riêng họ thay vì gửi mọi tài liệu đến một API được lưu trữ.

Đối với các bản quét chất lượng thấp, viết tay nhiều, biểu mẫu lâm sàng, tài liệu có nhiều chú thích hoặc các quy trình tuân thủ quy định yêu cầu khả năng truy xuất nguồn gốc, các nền tảng đám mây và nền tảng được quản lý nên được kiểm tra chuẩn trực tiếp với Lift thay vì mặc định là kém hơn.

Reducto, Extend, LlamaExtract, Mindee và API được lưu trữ của chính Datalab chiếm một phân khúc khác của thị trường. Chúng không chỉ là các mô hình trích xuất; chúng là các hệ thống trích xuất. Giá trị của chúng không giới hạn ở độ chính xác trường dữ liệu. Chúng bổ sung nguồn gốc dữ liệu, quy trình đánh giá, quản lý lược đồ, chấm điểm tin cậy, trích dẫn, kiểm soát triển khai và tuân thủ doanh nghiệp.

Sản phẩm Extract của Reducto được định vị xoay quanh việc trích xuất JSON theo lược đồ với các trích dẫn tùy chọn, trong khi sản phẩm Parse của nó nhấn mạnh vào các khối dữ liệu, hộp bao (bounding boxes) và điểm tin cậy. LlamaExtract tương tự cũng quảng cáo việc trích xuất theo lược đồ tùy chỉnh với các trích dẫn chi tiết và điểm tin cậy.

Đây là nơi mô hình mở của Lift cố tình tinh gọn hơn. Các trọng số mở ưu tiên việc trích xuất nhanh, ưu tiên lược đồ. API được lưu trữ của Datalab bổ sung các tính năng sản xuất mà nhiều quy trình tuân thủ quy định yêu cầu: xác minh theo từng trường, trích dẫn và điểm tin cậy.

Vì vậy, sự so sánh không đơn giản là 'Lift vs. Reducto' hay 'Lift vs. LlamaExtract'. Đó là mô hình so với nền tảng. Lift hấp dẫn khi bạn muốn một công cụ trích xuất thô tự lưu trữ. Các nền tảng được quản lý mạnh mẽ hơn khi khả năng kiểm toán, trích dẫn, độ tin cậy, đánh giá của con người và sự tuân thủ quan trọng ngang bằng với các giá trị được trích xuất.

Marker đặc biệt liên quan vì nó cũng đến từ Datalab. Marker chuyển đổi tài liệu sang Markdown, JSON, các đoạn văn bản (chunks) và HTML, đồng thời hỗ trợ PDF, hình ảnh, PPTX, DOCX, XLSX, HTML và EPUB. Kho lưu trữ của nó cũng ghi nhận hỗ trợ cho bảng biểu, biểu mẫu, phương trình, toán học nội dòng, liên kết, tham chiếu, khối mã, trích xuất hình ảnh, loại bỏ các thành phần thừa, định dạng tùy chỉnh và trích xuất có cấu trúc bản beta với JSON Schema.

Sự khác biệt nằm ở trọng tâm. Marker là một khung chuyển đổi tài liệu rộng. Nó hữu ích khi mục tiêu là làm cho tài liệu có thể đọc được, tìm kiếm được, chia nhỏ được hoặc sẵn sàng cho RAG. Lift chuyên biệt hơn: nó cố gắng tạo ra đối tượng JSON cấp trường cuối cùng trực tiếp.

Một đường ống xử lý thực tế có thể sử dụng cả hai. Marker có thể phân tích toàn bộ tài liệu để tìm kiếm, truy xuất hoặc đánh giá của con người. Lift có thể trích xuất các trường cụ thể cần thiết cho một ứng dụng: cùng công ty, công cụ bổ trợ, công việc khác nhau.

Lift so với Docling

Docling là một trong những khung chuyển đổi tài liệu mã nguồn mở mạnh mẽ nhất. Kho lưu trữ GitHub của nó mô tả việc hỗ trợ nhiều định dạng, bao gồm PDF, DOCX, PPTX, XLSX, HTML, EPUB, các định dạng âm thanh, hình ảnh, LaTeX và văn bản thuần túy. Nó cũng nhấn mạnh vào khả năng hiểu PDF nâng cao, bố cục trang, thứ tự đọc, cấu trúc bảng, mã, công thức, phân loại hình ảnh và biểu diễn DoclingDocument thống nhất.

Điều đó làm cho Docling trở nên phù hợp hơn khi bản thân tài liệu là đối tượng cần xử lý. Nếu mục tiêu là bảo toàn bố cục, chuyển đổi tài liệu cho các quy trình AI hạ nguồn, xây dựng đường ống RAG hoặc chuẩn hóa nhiều loại tài liệu thành một biểu diễn có cấu trúc, Docling là công cụ tự nhiên hơn.

Lift phù hợp hơn khi lược đồ đầu ra đã được biết trước và mục tiêu kinh doanh không phải là bảo toàn toàn bộ tài liệu mà là trích xuất các trường cụ thể. Tóm lại: Docling dành cho chuyển đổi tài liệu; Lift dành cho trích xuất trường dữ liệu.

Lift so với MinerU

MinerU là một trình phân tích cú pháp mạnh mẽ khác, đặc biệt đối với các tài liệu phức tạp và khoa học. Kho lưu trữ của nó nhấn mạnh vào việc chuyển đổi bảng sang HTML, OCR cho các tệp PDF được quét hoặc bị lỗi, hỗ trợ OCR cho 109 ngôn ngữ, nhiều định dạng đầu ra như Markdown và JSON, với kết quả được sắp xếp theo thứ tự đọc và đầu ra trực quan hóa để kiểm tra chất lượng trích xuất.

Điều này làm cho MinerU trở nên hấp dẫn đối với các bài báo nghiên cứu, báo cáo kỹ thuật, PDF khoa học, công thức, bảng biểu và bố cục nhiều cột. Nó nhằm mục đích bảo toàn cấu trúc của tài liệu để biểu diễn kết quả có thể được sử dụng để đọc, lập chỉ mục, RAG hoặc xử lý hạ nguồn.

Lift không nên được coi là sự thay thế cho MinerU. MinerU thực chất nói rằng: "Đây là phiên bản tài liệu trung thực mà máy có thể đọc được." Lift nói: "Đây là các trường dữ liệu mà lược đồ của bạn yêu cầu." Đó là những nhiệm vụ có liên quan nhưng khác biệt.

Lift so với Unstructured

Unstructured được hiểu rõ nhất là một bộ công cụ thu thập và tiền xử lý cho các quy trình LLM. Thư viện mã nguồn mở của nó cung cấp các thành phần để thu thập và tiền xử lý hình ảnh và tài liệu văn bản, bao gồm PDF, HTML, tài liệu Word, v.v. Các hàm phân vùng của nó chia tài liệu thành các phần tử như Tiêu đề, Văn bản tường thuật và Mục danh sách, cho phép các nhà phát triển chọn nội dung nào cần giữ lại cho các ứng dụng hạ nguồn.

Unstructured mạnh ở lớp ETL: thu thập tài liệu, phân vùng chúng, làm sạch chúng và chuẩn bị chúng để lập chỉ mục hoặc quy trình LLM. Lift không cố gắng trở thành một khung thu thập chung. Nó cố gắng trích xuất các trường dữ liệu bị ràng buộc bởi lược đồ.

Sử dụng Unstructured khi thách thức là thu thập tài liệu ở quy mô lớn. Sử dụng Lift khi thách thức là biến các tài liệu có cấu trúc hình ảnh phức tạp thành các trường JSON có kiểu dữ liệu.

Lift so với OCRmyPDF, PyMuPDF và các công cụ PDF cổ điển

OCRmyPDF thêm một lớp văn bản OCR vào các tệp PDF được quét, giúp chúng có thể tìm kiếm và sao chép được. Nó rất tuyệt vời cho việc số hóa, quy trình lưu trữ và chuẩn bị các tệp PDF được quét để tìm kiếm.