Dharma-Feldextraktor: Jedes Dokument rein, strukturierte Felder als JSON raus
huggingface ·
Dharma-AI hat den Dharma Field Extractor veröffentlicht, ein spezialisiertes Modell mit zwei Milliarden Parametern, das unstrukturierte Dokumentenbilder in strukturierte JSON-Daten umwandelt. Im Gegensatz zu allgemeinen OCR- oder Large-Language-Modellen, die Rohtext zurückgeben, extrahiert dieses Tool spezifische Felder basierend auf benutzerdefinierten Schemata oder identifiziert sie automatisch aus dem Kontext. Das Modell wurde an über 43.000 Beispielen in Englisch, Portugiesisch und anderen Sprachen trainiert, die verschiedene Dokumententypen wie Rechnungen, Ausweise und medizinische Formulare abdecken. In Benchmark-Tests mit 546 Dokumenten übertraf der Extraktor führende LLMs wie Claude Opus 5 und GPT-5.6 Luna in Bezug auf die Genauigkeit auf Feldebene. Darüber hinaus kostet die selbst gehostete Ausführung des Modells auf einer L40S-GPU zwischen sechs und 147 Mal weniger als die Nutzung kommerzieller API-Alternativen. Das System verarbeitet sowohl offene Extraktionen als auch schemageleitete Anfragen und gibt für fehlende Daten Nullwerte zurück, anstatt Informationen zu halluzinieren. Diese Veröffentlichung untermauert die These von Dharma-AI, dass kleine, aufgabenbezogene Modelle größere Generalisten in Bezug auf Effizienz und Kosteneffektivität übertreffen können.
huggingface