Открытые модели PDF в JSON 2026: как выбрать и не переплатить

Андрей Отинов -

Менеджер по данным открывает папку с сотнями сканов контрактов, чтобы загрузить их в систему поиска. Он знает, что без структурированных полей (дата, сумма, контрагент) большие языковые модели не смогут работать с этими документами. На рынке появился ряд бесплатных моделей, которые можно запустить на собственных серверах, — значит, можно обойти дорогие облачные API и не отдавать конфиденциальные файлы сторонним провайдерам.

Источник: marktechpost.com

Что проверить прямо сейчас:
1. Какой тип извлечения вам нужен — заполнение заранее известных полей или полное разбор‑структурирование документа?
2. Какие модели дают лучшее соотношение точности и скорости для выбранного типа?
3. Какие ограничения лицензии и требований к инфраструктуре у выбранного решения.

Что изменилось в ландшафте открытых моделей PDF → JSON

  • До недавних пор большинство компаний использовали платные сервисы, беря ~ «тысячи долларов за миллион страниц».
  • Сейчас открытый код — модели «lift» от Datalab и «NuExtract 3» от NuMind — позволяют выполнить ту же задачу локально.
  • Модели делятся на два подхода:
  • Схемное извлечение – вы задаёте JSON‑шаблон (например, поля «Дата», «Сумма», «Контрагент»), а модель заполняет их.
  • Разбор документа – модель сама определяет структуру страницы, порядок чтения, таблицы, формулы и выдаёт полный JSON‑дерево или Markdown.

Эти два подхода покрывают почти все бизнес‑случаи: от простых форм до сложных отчётов.

Какие факты мы видим в открытом источнике

  • Большую часть корпоративных данных всё ещё хранит в PDF, сканах и слайдах.
  • Схемное извлечение подходит для документов, где набор полей известен заранее (счета, заявки, контракты).
  • Разбор документа полезен, когда нужен полный «цифровой двойник» документа – например, для построения поисковой индексации в Retrieval‑Augmented Generation (RAG).
  • Модель lift (9 B параметров):
  • построена на базе Qwen 3.5; работает через Hugging Face или vLLM‑сервер; поддерживает мульти‑страничный ввод.
  • На собственном бенчмарке из 225 документов — полевая точность 90,2 % при медианной латентности 9,5 с.
  • Полная точность (все поля в документе) остаётся низкой — примерно 20,9 % у всех локальных моделей.
  • Лицензия Apache‑2.0 + модифицированный OpenRAIL‑M — бесплатно для исследований, личного использования и стартапов с доходом < 5 млн USD; коммерческое развертывание требует отдельной лицензии.
  • Модель NuExtract 3 (4 B параметров): объединяет схемное извлечение и OCR‑парсинг в одну сеть, принимает JSON‑шаблон и выдаёт как структурированные поля, так и Markdown‑текст. Точные цифры по точности и скорости в статье не указаны.

Остальные упомянутые инструменты (Docling, Marker, MinerU) представлены лишь как альтернативы без детальных метрик; их следует рассматривать только после собственного тестирования.

Как сравнивать варианты без лишнего хайпа

  1. Определите задачу – нужен ли лишь набор полей (инвойс, заявка) или полное восстановление макета (отчёт, презентация).
  2. Сопоставьте модели с задачей:
  3. Для схемного извлечения выбирайте модели с «schema‑constrained decoding», — это гарантирует валидный JSON. lift входит в эту группу.
  4. Для полного разбора ищите «document parsing», — здесь могут пригодиться модели с OCR‑компонентами, например NuExtract 3.
  5. Смотрите на метрики, которые реально важны:
  6. Полевая точность — сколько процентов нужных полей заполнено правильно. lift = 90,2 %.
  7. Время обработки — сколько секунд требуется на страницу; lift ≈ 9,5 с на документ среднего размера.
  8. Полная точность — способность модели собрать все поля за раз; у локальных решений пока ниже 25 %.
  9. Проверьте требования к оборудованию – lift требует GPU с минимум 24 ГБ VRAM; NuExtract 3 легче, но всё равно нуждается в современном графическом ускорителе.
  10. Узнайте лицензию – если ваш проект превышает порог в 5 млн USD по доходу, подготовьте коммерческую лицензию для lift или ищите полностью открытые альтернативы.

Эти шаги позволяют построить собственный тест‑пакет, запустить несколько типовых документов и сравнить результаты, не полагаясь на маркетинговые обещания.

Где находятся ограничения и риски

Показатель lift (9 B) NuExtract 3 (4 B) Примечание
Тип задачи только схемное схемное + OCR‑парсинг Выбор зависит от структуры документа
Полевая точность 90,2 % не указано lift имеет опубликованный бенчмарк
Время (медиана) 9,5 s/документ не указано lift быстрый для мульти‑страничных PDF
Полная точность 20,9 % неизвестно Оба локальных решения пока слабее облачных
Лицензия Apache‑2.0 + OpenRAIL‑M (коммерция – платно) не указана в статье Требует уточнения у поставщика
Требования к GPU ≥ 24 GB VRAM менее требовательна Важный фактор для небольших компаний

Риски, которые нельзя игнорировать

  • Низкая полная точность — если вам нужен идеальный набор всех полей, надёжность пока ограничена; понадобится пост‑обработка.
  • Лицензионные ограничения — коммерческое использование lift без лицензии может привести к юридическим последствиям.
  • Оборудовательные затраты — нужен мощный GPU, а его аренда может обходиться дороже, чем облачный API, если объём небольших пакетов.
  • Отсутствие независимых проверок — бенчмарки в статье проведены командой Datalab; рекомендуется запустить собственный набор тестов.

Что сделать на этой неделе: чек‑лист для выбора инструмента

  1. Сформулируйте задачу – уточните, нужны ли только известные поля или полный разбор документа.
  2. Соберите типичный набор PDF (10–20 файлов) из вашего рабочего процесса.
  3. Запустите lift (если нужна схема) и NuExtract 3 (если нужен OCR‑парсинг) на этих файлах; измерьте время и процент правильно заполненных полей.
  4. Сравните полученные цифры с теми, что указаны в статье (90,2 % полевая точность, 9,5 s латентность).
  5. Проверьте лицензии – уточните, попадаете ли вы под бесплатный порог для lift; запросите коммерческую лицензию, если необходимо.
  6. Сделайте вывод: выбираете ли вы lift для быстрых схемных задач, NuExtract 3 для более сложных, или ищете другую модель после тестов.

Проделав эти шаги, вы сможете принять обоснованное решение, сократить расходы на облачные сервисы и сохранить конфиденциальность корпоративных документов.

Источники

Темы журнала

Что почитать дальше