Dharma Field Extractor: 2B-s modell, dokumentumból JSON

Mi jelent meg?

A Dharma-AI bemutatta a Field Extractort (Hugging Face). Ez egy 2 milliárd paraméteres modell, amely dokumentumképből strukturált JSON-t ad vissza: számlából, nyugtából, űrlapból, igazolványból vagy szerződésből pontosan azokat a mezőket, amelyeket kérünk.

Kétféleképpen lehet kérni. Séma nélkül a modell maga keresi meg a címkéket, értékeket és táblázatokat, majd mindent kulcs-érték párként ad vissza. Sémával mi adjuk meg a kulcsneveket és a típusokat (string, number, boolean), a kimenet pedig pontosan ezt követi, extra mező nélkül. Ha egy kért mező nincs a dokumentumon, null jön vissza, nem kitalált érték.

Hogyan tanították?

Az alap a DharmaOCR-LITE v1.1, a cég OCR-re szakosított 2B-s modellje, amelyet SFT-vel és DPO-val tanítottak. Erre került egy LoRA adapter 43 384 példán: angol, sokféle dokumentumtípust lefedő webes adatok, belső portugál nyelvű brazil dokumentumok, illetve kisebb arányban más európai és ázsiai nyelvek. Ugyanaz a checkpoint kezel minden dokumentumtípust, típusonkénti finomhangolás nélkül.

Mit mutat a benchmark?

A cég saját benchmarkja 546 dokumentumot és 1638 esetet tartalmaz három helyzetben: minden mező séma nélkül, részleges séma, illetve séma szándékosan nem létező mezőkkel. A pontszám mezőszintű F1, megszorozva az értékek Levenshtein-hasonlóságával és az érvényes JSON-kimenetek arányával.

A Field Extractor 0,834 pontot ért el. A legközelebb a Claude Opus 5 jött 0,816-tal, a GPT-5.6 Sol 0,811, a Gemini 3.7 Flash 0,792, a GPT-5.6 Luna 0,741 pontot kapott. A frontier modellek alacsony reasoning beállítással futottak.

Forrás: Dharma-AI. Kinyerési minőség a cég 546 dokumentumos benchmarkján.

Költségben nagyobb a különbség. A Dharma-AI szerint 1000 kinyerés 0,26 dollárba kerül egyetlen saját üzemeltetésű L40S GPU-n, óránként 2,24 dollárral számolva. A frontier API-k listaáron 1,55 (GPT-5.6 Luna) és 38,25 dollár (GPT-5.6 Sol) között mozognak. A cég maga jelzi, hogy ez nem eladási ár: a saját üzemeltetés költsége hardvertől, volumentől és késleltetési igénytől függ.

Forrás: Dharma-AI. Ezer kinyerés költsége logaritmikus skálán.

Mit jelent ez a fejlesztőknek?

Ha nagy volumenben kell számlákból, űrlapokból vagy igazolványokból mezőket kinyerni, egy kicsi, feladatra tanított modell olcsóbb lehet, mint frontier API-t promptolni. A számok viszont a cég saját benchmarkjáról származnak, a Field Extractor súlyai pedig nem nyilvánosak: a modell a Dharma-AI portálján próbálható ki bejelentkezés után. Az alapul szolgáló DharmaOCR-LITE elérhető a Hugging Face-en.