Extractor de Campos Dharma: Cualquier Documento Entra, Campos Estructurados en JSON Salen
huggingface ·
Dharma-AI ha lanzado el Dharma Field Extractor, un modelo especializado de 2.000 millones de parámetros diseñado para convertir imágenes de documentos no estructurados en datos JSON estructurados. A diferencia del OCR o los modelos de lenguaje grandes de propósito general que devuelven texto sin procesar, esta herramienta extrae campos específicos basándose en esquemas definidos por el usuario o los identifica automáticamente a partir del contexto. El modelo fue entrenado con más de 43.000 ejemplos en inglés, portugués y otros idiomas, cubriendo diversos tipos de documentos como facturas, identificaciones y formularios médicos. En pruebas de referencia que involucraron 546 documentos, el extractor superó a modelos líderes como Claude Opus 5 y GPT-5.6 Luna en precisión a nivel de campo. Además, ejecutar el modelo de forma autoalojada en una GPU L40S cuesta entre seis y 147 veces menos que utilizar alternativas comerciales de API. El sistema maneja tanto la extracción abierta como las solicitudes dirigidas por esquema, devolviendo valores nulos para los datos faltantes en lugar de alucinar información. Este lanzamiento refuerza la tesis de Dharma-AI de que los modelos pequeños y específicos para tareas pueden superar a los modelos generalistas más grandes en eficiencia y rentabilidad.
huggingface