Dharma-AI 发布 20 亿参数文档字段抽取模型，输出结构化 JSON
Dharma-AI 在 Hugging Face 发布 Dharma Field Extractor，基于 20 亿参数的 DharmaOCR-LITE v1.1 加 LoRA 适配器训练，可从任意文档图像中按开放或指定 schema 抽取字段并输出 JSON。团队称其自建基准得分 0.834，高于所测前沿模型，但对比口径与成本均为自测。
核心事实
据 Hugging Face 博客文章，Dharma-AI 团队发布名为 Dharma Field Extractor 的文档字段抽取模型。该模型接收文档图像，并接受两种请求方式：一是不提供 schema，由模型自行判断页面上的结构化字段并以键值对返回；二是提供精确 schema，逐字段指定类型（字符串、数字或布尔值），输出严格遵循该 schema，不额外增加字段。若请求的字段在文档中不存在，模型返回 null 而非编造数值。据文章描述，同一检查点可处理发票、身份证件、医疗申请单等多种文档类型，无需按类型单独微调。
背景与影响
文章称，该模型以 DharmaOCR-LITE v1.1（20 亿参数）为基础，在其上训练 LoRA 适配器，训练样本为 43,384 条，覆盖英文多领域、巴西葡语领域及少量其他欧洲与亚洲语言数据，均做字段级标注。团队自建基准包含 546 份文档、三种请求场景共 1,638 个案例，以字段级 F1 乘以匹配值的 Levenshtein 相似度及有效 JSON 输出比例计分。文章称该模型得分 0.834，高于其测试的四个通用前沿模型配置（Claude Opus 5 为 0.816，GPT-5.6 Luna 为 0.741），并称单张 L40S 自托管运行的成本低于对比中的各 API。团队将这一结果作为「小模型贴近任务训练可胜过通用前沿模型」的又一证据。
限制与来源
上述得分、对比模型与成本倍数均出自 Dharma-AI 自行设计并执行的基准，非独立第三方评测；成本按单张 L40S 每小时 2.24 美元的 GPU 时间估算，文章明确表示这不是销售价格，实际自托管成本取决于硬件、调用量与延迟要求。前沿模型对比中推理强度设为低档。模型可用地区、许可条款与部署方式请以 Hugging Face 模型页及 Dharma-AI 官网当前信息为准。本文信息来自 Hugging Face 博客文章，未做独立验证。