LlamaIndex lanceert Extract V2.5 met verbeterde nauwkeurigheid en onderbouwing

LlamaIndex introduceerde Extract v2.5 op 1 oktober 2026, een nieuwe generatie van zijn schema‑gebaseerde document‑extractie‑agenten. In een blogpost geschreven door Adrian Lyjak en Eli Stewart meldde het bedrijf nauwkeurigheidsverbeteringen voor alle drie zijn extractietiers en een verbeterde onderbouwing voor de twee hoogste tiers, Agentic en Agentic Plus, en gaf aan dat de winst gepaard gaat met geen extra kosten per pagina.

Benchmarkwinst per tier

LlamaIndex meldde dat op ExtractBench, zijn open benchmark voor documentextractie, de algehele F1‑waarde steeg van 87,1 naar 93,9 voor de Cost Effective‑tier, van 89,8 naar 95,8 voor Agentic, en van 95,1 naar 96,4 voor Agentic Plus, zijn tier met de hoogste nauwkeurigheid. Volgens het bedrijf presteert Cost Effective nu beter dan de eerdere Agentic‑tier, en presteert Agentic beter dan de vorige Agentic Plus.

ExtractBench test 370 bedrijfsdocumenten met in totaal 4.869 pagina’s over 8 bedrijfsdomeinen en 67 documenttypen, elk type met een eigen schema. LlamaIndex publiceerde de benchmark met een openbare dataset, evaluatie‑harnas en methodologie, en heeft toonaangevende VLM’s, codeer‑agenten en gespecialiseerde extractie‑API’s erop geëvalueerd.

Nieuw agent‑harnas en structureel redeneren

Het bedrijf zei dat v2.5 draait op een nieuw agent‑harnas dat speciaal is ontwikkeld voor documentextractie, geïnspireerd op de nieuwste codeer‑agenten en afgestemd op de modellen om foutmodi op het gebied van visie, redeneren en verificatie aan te pakken. LlamaIndex stelde dat de resulterende agent context van meerdere pagina’s onderling kan vergelijken en waarden kan onderbouwen met exacte bronnen.

Een functie die in het bericht ‘Structureel Redeneren’ wordt genoemd, werkt op documentrepresentaties om extractie af te stemmen op documenttype, lay-out en informatiedichtheid: de agent besteedt meer moeite aan complexe documenten en verwerkt eenvoudigere documenten met lagere latentie. Voor v2.5 heeft het team het harnas achter Agentic Plus naar de Cost Effective‑ en Agentic‑tiers gebracht, waarbij de tools en extractiestrategieën werden aangepast aan de kostenbeperkingen van elke tier na evaluatie van documentrepresentaties, tools en modelconfiguraties. Het bedrijf meldde bovendien dat het heeft gewerkt aan hoe agenten schema’s en extractie‑instructies volgen, inclusief taken met tot 3.200 velden, en adviseert gebruikers waarvan de record‑ID’s essentieel zijn voor het koppelen van geëxtraheerde records aan een database om dit in hun prompts te vermelden.

Lange lijsten, records over meerdere pagina’s en gescande formulieren

Bij lange‑lijst‑taken meldde LlamaIndex dat de scores stegen van 82,0 naar 92,6 voor Cost Effective, van 86,1 naar 95,5 voor Agentic, en van 94,5 naar 96,3 voor Agentic Plus. Het bedrijf zei dat v2.5 tussenliggende representaties gebruikt om met de volledige dataset te werken en de output valideert tegen het schema van de gebruiker. In één voorbeeld, een ingediend fondsdocument van 17 pagina’s, leverde de eerdere Cost Effective‑tier 87 van de 238 holdings; het bedrijf meldde dat v2.5 alle 238 retourneert, waardoor de extractiescore van dat document steeg van 52,8 naar 98,7.

Voor records die over pagina’s heen lopen, stegen de gerapporteerde scores van 80,3 naar 92,0 voor Cost Effective, van 85,5 naar 96,5 voor Agentic, en van 93,6 naar 96,7 voor Agentic Plus. In een United Way Worldwide Schedule I‑grantschema zei het bedrijf dat Agentic v2.0 stopte bij een pagina‑overgang, waardoor het doel en het adres van de subsidie onvolledig bleven, terwijl v2.5 de voortzetting van de volgende pagina in hetzelfde record opneemt.

Voor gescande formulieren stegen de gerapporteerde scores van 89,6 naar 93,9 voor Cost Effective, van 90,9 naar 95,7 voor Agentic, en van 94,4 naar 96,1 voor Agentic Plus. Bij een geannoteerde W‑14‑verwijderingsvergunning zei het bedrijf dat de Agentic‑tier eerder de datum van een beoordelaar combineerde met het vergunningsnummer en een beoordelaarsopmerking toevoegde aan de zoetwaterdiepte, terwijl v2.5 de oorspronkelijke waarden scheidt van de annotaties in de door het schema gevraagde velden.

Geavanceerde citaties en onderbouwing

De release introduceert Geavanceerde citaties voor de Agentic‑ en Agentic Plus‑tiers, die begrenzings‑boxen van ondersteunend bewijs lokaliseren voor moeilijke velden, inclusief waarden die niet woord‑voor‑woord in het document voorkomen. Een eerste versie was eerder beschikbaar in Agentic Plus; LlamaIndex meldde dat de onderbouwing‑nauwkeurigheid van de functie verder is verbeterd en uitgebreid naar Agentic. Het bedrijf rapporteerde dat de ExtractBench‑onderbouwing‑scores stegen van 46,8 naar 80,6 voor Agentic en van 46,4 naar 82,2 voor Agentic Plus. Zijn vergelijkingsgrafiek vermeldt onderbouwing‑scores van 63,2 voor Sonnet 5.5, 77,6 voor GPT‑6 SOL, 77,5 voor Opus 5.5, 50,8 voor Reducto Deep Extract, 21,8 voor Extend Max en 54,3 voor zijn eigen Cost Effective‑tier.

Het bedrijf verklaarde dat begrenzings‑boxcitaties worden gecombineerd met vertrouwensscores, die teams helpen te bepalen welke geëxtraheerde waarden automatisch kunnen worden verwerkt en welke nader bekeken moeten worden, waardoor beoordelaars gemarkeerde waarden kunnen controleren tegen het originele document in human‑in‑the‑loop‑workflows.

Spreadsheet‑modus en beschikbaarheid

v2.5 voegt native spreadsheet‑extractie toe: in spreadsheet‑modus werken agenten direct met werkbladcellen in plaats van een afgevlakte representatie, en kunnen gebruikers de modus inschakelen in de extractie‑configuratie.

Extract v2.5 is beschikbaar via LlamaCloud, een Go‑gebaseerde command‑line‑tool genaamd llp, een MCP‑server voor agent‑clients inclusief Claude Code en Codex, en de Python llama‑cloud SDK, waar extractie‑taken versie 2.5 selecteren en de opties cite_sources en confidence_scores kunnen inschakelen. LlamaIndex moedigde gebruikers aan om v2.5 uit te voeren op documenten die representatief zijn voor hun workflows met behulp van hun bestaande schema’s, en zei dat men verwacht dat de versie een aanzienlijke verbetering is in extractiekwaliteit, met name voor documenten die voorheen handmatige opschoning nodig hadden of niet betrouwbaar genoeg waren om te automatiseren.