Dharma-AI发布 20 亿参数字段抽取模型Dharma Field Extractor
Dharma-AI在Hugging Face博客称，该模型接收文档图像与字段请求，输出结构化JSON；在自建 546 份文档、1638 个测试用例的基准上得分 0.834，高于其测试的四个通用前沿模型配置。
AI解读：模型以文档图像加请求为输入：无schema时自行识别字段并以键值对返回；给定schema时按指定键名和类型（string、number、boolean）输出，文档中没有的字段返回null。作者称同一checkpoint无需按文档类型微调。
基准覆盖 546 份文档、三种请求场景共 1638 个用例，评分为字段级F1乘以值相似度再乘以有效JSON比例。作者报告该模型 0.834，Claude Opus 5为 0.816、GPT-5.6 Luna为 0.741，成本低 6 至 147 倍。
上述对比中，前沿模型按各家公开标价与实际token用量计费，推理强度设为low；Dharma模型自行部署，按单张L40S每小时 2.24 美元的GPU时间折算。作者注明这不是销售价格，自托管成本取决于硬件、量和延迟要求。
这些数字来自厂商自建基准，测试集与题目均由作者选定，尚无第三方复现，不能据此推断在其他文档类型或业务量下的表现。
Dharma-AI在Hugging Face博客发布Dharma Field Extractor，一个 20 亿参数的文档字段抽取模型，输入文档图像和字段请求，输出结构化JSON。该模型在其自建基准上得分为 0.834，公司称高于其测试的四个通用前沿模型配置。
据博客，模型在DharmaOCR-LITE v1.1检查点上训练LoRA适配器，使用 43,384 个训练样本，覆盖开放抽取与按schema抽取两种请求方式。Dharma-AI表示同一checkpoint可处理收据、发票、表单、银行对账单、身份证件等类型，无需按文档类型分别微调。
两种请求方式与输出约定
开放模式下不提供schema，模型依据版面与上下文判断哪些内容是结构化字段（标签加值、带表头的表格），以键值对返回所有识别到的字段。schema模式下由用户指定字段名与类型（string、number、boolean），输出沿用同样的键名，不额外增加字段；如果请求的字段在文档中不存在，则返回null，而不是编造值。
博客称，输出可直接进入下游系统，表格按行和列逐格填充对应键。公司把选择方式归结为用户是否已知文档内容：不知道文档包含什么时用开放模式，输出需要匹配既有结构时用schema。
训练数据构成
博客列出三条数据流：来自公开网页的英文多领域文档；Dharma-AI内部提供的真实巴西文档，语种为葡萄牙语；占比更小的其他欧洲与亚洲语种数据，用于在英语和葡语之外泛化。三类数据均在字段级标注，混合了收据、商业发票、表单、银行对账单、身份证件与合成文档。
基准与对比口径
基准覆盖 546 份文档、三种请求场景共 1638 个用例：无schema抽取全部字段、只含真实字段的部分schema、以及混入不存在字段的schema。得分为字段级F1（按路径匹配，含表格内位置）乘以匹配值的Levenshtein相似度，再乘以有效JSON输出比例。
对比的四个通用前沿模型配置推理强度设为low，其中Claude Opus 5使用自适应努力设置。前沿模型成本按每页实测平均输入输出token（含推理token）乘以各家公开标价计算；Dharma模型自托管，按单张L40S每小时 2.24 美元折算GPU时间。作者在博客中注明这不是销售价格，并称该对比意在说明自托管专用模型可作为前沿API的替代方案。
- Dharma Field Extractor：0.834
- Claude Opus 5：0.816，差距 1.8 分
- GPT-5.6 Luna：0.741，差距 9.3 分
- 成本差距区间：较GPT-5.6 Luna约低 6 倍，较GPT-5.6 Sol约低 147 倍
泛化示例与来源限制
博客用两个未参与训练的公开数据集举例：在SROIE收据上请求全部 18 个字段，称多行无标签地址被合并为一个字段，两个空白字段返回null，金额逐分匹配；在FUNSD复印差异表上，12 个布尔字段中仅勾选的一项返回true，其余为false，手写Bates ID被正确读出。这两例均为作者展示的单份文档结果。
上述得分、成本倍数和示例都由Dharma-AI自行测量与选取，博客未给出第三方复现结果，也未披露各文档类型的分项表现。这些数字支持该模型在作者所设基准上的比较结论，不能直接外推到其他文档分布或部署条件下的实际准确率与成本。