Datalab

Datalab entstand aus der Open-Source-Community für Dokumenten-KI hinter Marker, Surya, Chandra und Indra – zusammen mit Zehntausenden GitHub-Sternen – und verpackt diese Forschung in eine verwaltete, produktionsreife API. Die Plattform gliedert ihre Fähigkeiten in „Prozessoren“: Convert wandelt PDFs in Markdown, HTML oder JSON um, optional mit Bounding Boxes auf Wortebene und Diagrammdaten; Extract zieht benutzerdefinierte Felder in JSON mit Zitat und Konfidenzwert pro Feld; Segment trennt zusammengeführte Dateien an natürlichen Dokumentgrenzen; Eval vergleicht Parsing-Modi anhand eigener Dokumente.

Da das Team die Modelle selbst besitzt, sind die Deployment-Optionen ungewöhnlich flexibel: verwaltete SOC-2-Cloud mit kostenloser Stufe, VPC-Deployment im eigenen AWS-, GCP- oder Azure-Konto oder eine vollständig luftgetrennte On-Premises-Installation ohne Internetzugang. Die öffentliche Benchmark-Arbeit – insbesondere das offene OmniParseBench mit über sechzehntausend Bestanden/Durchgefallen-Tests – untermauert die Aussage, dass der Accurate-Modus konkurrierende Parser-APIs übertrifft, vor allem bei Tabellen und mehrspaltigen Layouts.

Typische Käufer sind führende KI-Forschungslabore, die Trainingskorpora aufbauen, sowie regulierte Branchen wie Finanzdienstleistungen, Gesundheitswesen, Versicherungen und Recht, in denen Nachvollziehbarkeit ebenso zählt wie reine Genauigkeit. Batch-Verarbeitung zielt auf sehr große Volumina: Das Unternehmen beschreibt verwaltete Batch-Läufe mit über einer Milliarde Seiten pro Tag.