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

📌 One-Sentence Summary
Dharma Field Extractor 是一款 2-billion 参数模型,可从任意类型的文档中提取结构化字段并以 JSON 返回;在字段级 F1 上表现优于前沿 LLM,运行成本则低得多。
📝 Summary
Dharma Field Extractor 是一款基于 DharmaOCR-LITE v1.1 构建的 2-billion 参数模型,专门用于从文档中提取结构化字段,并以带类型的 JSON 返回结果。它支持两种模式:开放式提取,即模型根据上下文和版面识别结构化字段;以及按模式提取,即用户指定确切的字段名称、类型和嵌套结构。模型使用 43,384 个样例进行训练,覆盖英语多领域、巴西葡萄牙语和多语言数据,所有样例均按字段级别标注。在一项涵盖 546 份文档、共 1,638 个字段提取案例的基准测试中,模型取得 0.834 的 F1 分数,优于 Claude Opus 5(0.816)和 GPT-5.6 Luna(0.741);它只需在单台 L40S 上运行,成本比前沿 API 低 6-147 倍。模型能够正确处理 SROIE 收据和 FUNSD 表单等复杂情况,包括为缺失字段返回 null 值,以及准确提取手写文本。
💡 Main Points
专用字段提取模型
Dharma Field Extractor 是一款经过优化的 2-billion 参数模型,专门用于从文档中提取指定字段并返回结构化 JSON,填补了通用 OCR(提取所有文本)与通用 LLM(处理大批量字段提取任务成本较高)之间的空白。
双重提取模式
模型支持开放式提取(无需预设模式,根据上下文和版面识别结构化字段)和按模式提取(返回符合用户指定名称、类型及嵌套结构的字段);对于缺失字段,它会返回 null 值,而不是产生幻觉。
基准测试表现出色,成本效益高
在一项涵盖 1,638 个字段提取案例的基准测试中,模型的 F1 分数达到 0.834,优于 Claude Opus 5(0.816)和 GPT-5.6 Luna(0.741);它只需在单台 L40S 上运行,每次提取的成本比前沿 API 低 6-147 倍。这表明,在范围明确的任务上,专用小模型可以胜过通用模型。
💬 Key Quotes
一款 2-billion 参数模型取得了 0.834 的分数,高于我们测试的所有前沿配置:Claude Opus 5 为 0.816,GPT-5.6 Luna 为 0.741。它只需在单台 L40S 上运行,每次提取的成本也低于对比中的所有 API。
OCR 能为你提供页面上的文本,并忠实保留原始格式。如果任务是处理整份文档,这正是你想要的……但还有另一种使用场景:你不需要整页内容,而是想从中提取特定字段,并以便于下游系统使用的格式输出。
在同一基准测试、同一次运行中,质量更高,成本更低。
📊 Article Meta
AI Screening: 88
Source: Hugging Face - Blog
Author: Gabriel Pimenta de Freitas Cardoso, Paulo Henrique de Medeiros Araujo, Bruno Duarte, Francisco de Almeida Rocha Alves
Category: 人工智能
Language: 英文
Read Time: 7 min
Word Count: 1672
Tags:
AI 与智能应用 , 模型训练与推理 , AI 产品与应用 , 文档解析 , 开放权重模型
赞同,实践出真知。
这篇文章分析得很透彻,收藏了!
收藏了,以后慢慢研究。
有没有更详细的教程,期待后续。
看完了,收获满满,期待更多更新。
不错不错,已加入书签。
支持作者,持续关注中。
不错不错,已加入书签。
很有价值的分享,感谢整理。
写得挺用心的,支持一下。
收藏了,以后慢慢研究。
点赞,必须点赞