Dharma字段提取器：任意文档输入，结构化JSON字段输出
huggingface ·
Dharma-AI 发布了 Dharma Field Extractor，这是一款专为将非结构化文档图像转换为结构化 JSON 数据而设计的 20 亿参数模型。与返回原始文本的通用 OCR 或大型语言模型不同，该工具可根据用户定义的架构提取特定字段，或从上下文中自动识别它们。该模型在涵盖发票、身份证件和医疗表格等多种文档类型的英语、葡萄牙语及其他语言的超过 43,000 个示例上进行了训练。在涉及 546 份文档的基准测试中，该提取器在字段级准确率方面超越了 Claude Opus 5 和 GPT-5.6 Luna 等前沿大语言模型。此外，在 L40S GPU 上自行托管运行该模型的成本仅为商业 API 替代方案的六分之一到一百四十七分之一。该系统支持开放式提取和基于架构的请求，对于缺失数据会返回 null 值而非产生幻觉信息。此次发布进一步印证了 Dharma-AI 的观点：小型、任务特定的模型在效率和成本效益方面可以超越更大的通用模型。
huggingface