Dharma Field Extractor：任意文档输入，结构化字段以 JSON 输出

英文原标题：Dharma Field Extractor: Any Document In, Structured Fields in JSON Out

本文为英文原文的机器翻译摘要，原文见：Hugging Face Blog ↗

• Dharma-AI 发布 Field Extractor，一个 20 亿参数模型，可从任意文档中提取指定字段并以 JSON 返回，无需按文档类型微调。
• 模型支持两种请求模式：开放模式自动识别字段并返回键值对；模式导向模式按用户提供的 schema（含字段名和类型）精确填充，缺失字段返回 null。
• 基于 DharmaOCR-LITE v1.1 训练，在 43,384 个字段级标注样本上训练 LoRA 适配器，数据涵盖英语多领域、巴西葡语及多语言文档。
• 在 546 份文档、1,638 个测试案例的基准上，字段级 F1 得分为 0.834，超过测试的所有前沿 LLM（Claude Opus 5 为 0.816，GPT-5.6 Luna 为 0.741）。
• 成本对比显示，自托管在单张 L40S 上的成本比前沿 API 低约 6 倍至 147 倍，但作者强调这不是销售价格，实际成本取决于硬件、用量和延迟需求。

关键数据

• 模型参数量：20 亿
• 训练样本：43,384 个
• 基准测试：546 份文档，1,638 个案例
• 字段级 F1 得分：0.834（Claude Opus 5 为 0.816，GPT-5.6 Luna 为 0.741）
• 成本对比：比 GPT-5.6 Luna 低约 6 倍，比 GPT-5.6 Sol 低约 147 倍
• 硬件：单张 L40S，每小时 2.24 美元

为什么值得看：该模型以更小的参数量和自托管成本，在字段提取任务上超越了多个前沿 LLM，为高批量文档处理提供了可替代 API 的专用方案。