LIFT
PulseAugur coverage of LIFT — every cluster mentioning LIFT across labs, papers, and developer communities, ranked by signal.
- 2026-06-23 product_launch Datalab released lift, a 9B open-weights vision model for structured extraction from PDFs and images using JSON schemas. 来源
3 天有情绪数据
-
新的LIFT训练方法提高了LLM链式思考的忠实度
研究人员开发了一种名为LIFT（Likelihood-Based Intervention Faithfulness Training）的新训练方法，以提高大型语言模型链式思考（CoT）推理的可靠性。LIFT通过用不相关的事实替换每个推理步骤并测量对答案对数概率的影响来自动评估每个推理步骤的影响。然后，该方法针对对结果有显著影响的推理步骤对模型进行微调，旨在在不牺牲准确性的情况下提高忠实度。这种方法在Mistral-7B-Instru…
-
循环流变换器 (LiFT) 引入新颖的生成模型架构
研究人员引入了循环流变换器 (LiFT)，这是一类新颖的生成模型。LiFT 通过重复应用共享的扩散变换器 (DiT) 核心并进行最小的架构更改来扩展计算。循环中的每一步都用单个回归目标进行训练，允许模型在不重新训练的情况下循环超出其训练深度。这种方法提高了生成质量，并允许在不增加参数的情况下增加推理计算。在 256x256 分辨率的 ImageNet 上，LiFT-L/2 在参数量和训练/推理 FLOPs 显著减少的情况下，取得了比密…
-
新LIFT方法将推理能力从LLM迁移到VLM
研究人员开发了LIFT，一种增强视觉语言模型（VLM）多模态推理能力的新方法。LIFT解决了将大型语言模型（LLM）与视觉模块扩展时会损害其固有的语言推理能力的常见问题。通过从基础LLM中提取“推理向量”并将其注入VLM，LIFT旨在在不重新训练VLM核心架构的情况下恢复这种丢失的推理能力。实验表明，源自基础LLM的向量比源自VLM本身的向量更有效，这表明LLM是推理迁移的更优来源。
-
AI利用语言引导晶体和分子结构生成
两篇新研究论文介绍了使用语言信息流匹配进行结构生成的新方法。第一篇TFMat使用结构化文本引导晶体结构生成，提高了匹配率和与期望属性的一致性。第二篇LiFT采用语言衍生的化学先验知识来指导用于药物设计的3D分子生成，在保持结构有效性的同时提高了药物化学指标。
-
新的LiFT框架提升了LLM在纵向NLP任务中的上下文学习能力
研究人员开发了LiFT，一个旨在增强大型语言模型（LLM）在纵向自然语言处理（NLP）任务中上下文学习（ICL）能力的新框架。这些任务涉及分析按时间顺序排列的文本，应用于心理健康监测或立场演变追踪等领域，但常常面临数据稀缺的问题。LiFT是一种模型无关的方法，通过共享指令模式统一了各种纵向任务，并结合了序列依赖、课程学习和时间条件。在五个纵向数据集上的评估表明，LiFT在相同的ICL条件下，显著优于标准的指令微调（IFT）模型，尤其有…
-
新的LIFT框架通过反应式力注入增强VLA策略
研究人员开发了LIFT（Late Reactive Injection of Force for VLA Post-Training，用于VLA训练后期的反应式力注入）框架，旨在提高视觉语言动作（VLA）策略的性能，特别是在接触丰富的操作任务中。该方法集成了一个反应式动作专家，该专家利用最近的力反馈在执行过程中优化动作，解决了纯视觉驱动方法的局限性。LIFT还包含一个在线DAgger循环以适应反馈变化，并在毛巾折叠和Hanoi塔放置等…
-
Datalab 的 Lift 9B 模型在 Schema-First PDF 提取方面处于领先地位
Datalab 的 Lift 是一款新推出的拥有 90 亿参数的视觉语言模型，专为 Schema-First 文档提取而设计。与首先将文档解析为中间格式再提取字段的传统方法不同，Lift 旨在一次性直接从 PDF 和图像输出 Schema 形状的 JSON。在 Datalab 自行进行的基准测试中，Lift 的字段准确率达到了 90.2%，高于其最接近的开源竞争对手 NuExtract3 的 81.5%。Lift 被定位为一种专门的工…
-
开源模型助力企业AI实现PDF到JSON的转换
新的开源模型正在涌现，用于将PDF中的非结构化数据转换为可用的JSON格式，满足企业AI应用的关键需求。这些模型主要分为两类：针对发票和表单等已知字段的模式驱动提取，以及能够将整个页面（包括布局和表格）重构为结构化JSON或Markdown的文档解析。Datalab的lift和NuMind的NuExtract 3等模型提供了本地、经济高效的模式驱动提取解决方案，而IBM的Docling则为各种文件类型提供了全面的文档解析功能。
-
LIFT工具将研究PDF转换为带模式引导的结构化JSON
一个教程演示了如何使用LIFT工具将研究PDF转换为结构化JSON数据。该过程包括设置GPU环境，利用4位NF4量化在内存有限的GPU上运行，并生成带有故意干扰项的合成研究报告。这种受控环境允许从文档布局中进行模式引导的特定字段提取，如标题、作者、数据集和指标。
-
Datalab 发布 lift，一个用于结构化 PDF 提取的 9B 参数开放权重视觉模型
Datalab 推出了 lift，一个 9B 参数的开放权重视觉模型，专为从 PDF 和图像中提取结构化数据而设计。该模型以 JSON 模式作为输入，并生成符合该模式的 JSON 对象，在基准数据集上实现了 90.2% 的字段准确率。lift 可一次性处理整个多页文档，并提供模式约束解码，以确保输出的结构有效性。
-
新的LiFT框架使用线性规划来控制Transformer过拟合
研究人员推出了一种新颖的Transformer模型微调框架LiFT，该框架利用线性规划来控制过拟合。该方法将微调表述为一个双层优化问题，联合更新模型参数和正则化超参数。通过求解线性规划，LiFT识别出一种面向验证的下降方向以进行集中更新，从而减少了广泛重新训练的需求。在WikiText-2上对GPT-2 Small进行的实验表明，LiFT能够有效地调整Transformer块和正则化参数，尤其是在易于过拟合的情况下，提高了测试困惑度。
-
新框架通过知识蒸馏创建轻量化扩散模型
研究人员开发了一个名为 LIFT and PLACE 的新知识蒸馏框架，以创建更高效的扩散模型。该方法通过使用粗到精的对齐策略，解决了学生模型模仿复杂教师模型时遇到的困难。实验表明，该方法在各种扩散模型类型和任务中都有效，即使在显著压缩学生模型的情况下，FID得分也达到了 15.73。
-
LIFT 管道通过微调小型模型改进表格提取
研究人员推出了一种新颖的表格提取改进管道 LIFT。该方法首先使用大型语言模型生成初始表格，然后使用一个经过微调的小型模型进行纠错。在近 2600 个表格的基准测试中，LIFT 的性能与端到端微调相当或更优，尤其是在训练数据稀缺或输入变异性高的情况下表现出色。