Dharma-AI推出Field Extractor，这是一款基于20亿参数DharmaOCR-LITE优化的专用模型，旨在从各类文档图像中提取结构化字段。实测数据显示，该模型在特定任务上的性能超越了包括Claude Opus 5和GPT-5.6在内的多款前沿大型语言模型，而运行成本仅为后者的几十分之一。
传统OCR技术虽能保留原始格式提取全文，但在处理发票、合同或身份证等需要结构化数据的场景时，仍需额外编写代码映射字段。通用大模型虽可通过提示词完成此任务，但其高昂的API调用成本和延迟难以满足企业高并发需求。Field Extractor通过接收文档图像及提取指令，直接返回符合预设结构的JSON数据，无需针对每种文档类型进行微调。
双模式灵活提取
Field Extractor提供两种工作模式以适应不同业务场景：
- 开放模式（Open）：无需预定义模式。模型依据文档上下文和布局自动识别结构化字段，以键值对形式返回所有发现的内容，适用于内容未知的文档。
- 模式导向（Schema-directed）：用户指定精确的数据结构及字段类型（如字符串、数字）。模型将严格遵循指定键名输出，若文档中缺失某字段则返回null，确保输出可直接接入下游系统。
无论采用何种模式，输出均为标准化JSON格式，便于系统集成。
专项训练与数据构成
该模型基于DharmaOCR-LITE v1.1构建，经过监督微调和直接偏好优化（DPO）。研发团队在43,384个样本上训练了LoRA适配器，数据涵盖三个主要流：
- 英语多领域数据：源自公共网络的多样化文档。
- 巴西领域数据：内部真实的葡萄牙语文档。
- 多语言数据：少量欧洲和亚洲语言数据，以提升泛化能力。
训练数据刻意混合了收据、发票、银行对账单及身份证件等多种类型，并在字段级别进行了精细标注。
性能与成本优势
在涵盖546份文档、1,638个案例的基准测试中，Field Extractor取得了0.834的字段级F1分数。相比之下，表现最接近的Claude Opus 5得分为0.816，而GPT-5.6 Luna仅为0.741。质量差距在1.8至9.3分之间。
成本方面，基于单个L40S GPU每小时2.24美元的自托管计算成本，Field Extractor的费用比前沿API低约6倍（对比GPT-5.6 Luna）至147倍（对比GPT-5.6 Sol）。这一对比旨在证明，部署在自有基础设施上的主权小型语言模型（SSLM）是昂贵通用API的有效替代方案。
泛化能力验证
在未参与训练的公开数据集SROIE和FUNSD上，该模型同样表现出色。在SROIE收据测试中，模型准确提取了全部18个字段，包括无标签的多行地址，并正确将空白字段标记为null。在FUNSD表单测试中，模型精准识别了手写备注及勾选状态，布尔字段判断完全匹配。
Dharma-AI的研究再次印证了其核心论点：在限定任务中，经过针对性训练的小模型在性能和成本效益上均优于通用前沿模型。企业无需盲目追求最大规模的模型，而应选择针对具体问题域优化的专用模型。