Dharma-AI 團隊發布了一款名為 Dharma Field Extractor 的 20 億參數模型，該模型能從任何類型的文件中提取使用者指定的欄位並輸出為結構化 JSON。該模型基於先前發布的 DharmaOCR-LITE v1.1（一款經過監督微調和直接偏好優化 DPO 優化的 OCR 專用模型）進行訓練，透過在 43,384 個涵蓋兩種請求模式的訓練樣本上訓練 LoRA 適配器實現。與僅提供頁面文本的傳統 OCR 不同，Field Extractor 旨在滿足下游系統需要特定結構化數據（如發票明細、醫療申請單欄位或身份證資訊）的需求，避免了通用大型語言模型（LLM）在高頻任務中因高昂成本和延遲而帶來的問題。
該模型提供兩種提取模式： 1. **開放式（Open）**：不提供架構，模型根據上下文和版面結構自動識別並提取所有結構化欄位（如標籤-值對、表格），以鍵值對形式返回。 2. **架構導向（Schema-directed）**：使用者指定確切的輸出格式，包括欄位名稱、類型（字串、數字或布林值）。模型嚴格遵循指定的鍵名和結構，若文件中不存在請求的欄位則返回 null，而非編造數值。此模式確保輸出可直接整合至現有系統。
在基準測試中，該模型在 546 份文件、1,638 個案例（涵蓋無架構提取、部分真實欄位提取及包含虛構欄位的提取）上進行了評估。評分標準為欄位級 F1 分數（考慮表格內位置匹配），並乘以匹配值的 Levenshtein 相似度及有效 JSON 輸出比例。結果顯示，Dharma Field Extractor 得分為 0.834，超越了測試中的所有前沿通用 LLM 配置，其中與表現最接近的 Claude Opus 5（0.816）差距為 1.8 分，與差距最大的 GPT-5.6 Luna（0.741）差距為 9.3 分。
在成本方面，該模型自託管運行於單張 L40S GPU 上（每小時 $2.24），其每次提取的成本比比較中的 API 低約 6 倍至 147 倍。具體而言，與 GPT-5.6 Luna 相比成本低約 6 倍，與 GPT-5.6 Sol 相比成本低約 147 倍。需要注意的是，前沿模型的定價基於輸入/輸出代幣數（包含推理代幣）及公開列表價格計算，且所有前沿模型均設定為低推理模式；而 Dharma 的成本僅反映 GPU 時間，並非銷售價格，實際自託管成本取決於硬體、量和延遲需求。
此外，該模型在泛化能力測試中表現出色。在未參與訓練的公開數據集 SROIE（收據）和 FUNSD（複印變異表）上，模型能正確提取所有欄位，包括多行未標記的地址、將空白欄位正確返回為 null，以及準確識別手寫註釋和勾選框狀態。這驗證了該團隊的核心論點：在有限任務中，針對特定任務訓練的小型模型表現優於要求執行相同任務的通用前沿模型，且成本更低。
尚待確認：前沿模型（如 Claude Opus 5, GPT-5.6 Luna/Sol）的具體版本和配置細節僅在文中簡略提及，未提供完整的技術規格或詳細的測試環境設定。
尚待確認：成本比較中提到的「低 6 倍至 147 倍」是基於特定硬體（L40S）和定價假設計算得出，實際自託管成本會因部署規模、硬體選擇和延遲要求而異，文中明確指出這不是銷售價格。
尚待確認：基準測試中使用的具體提示詞工程細節或前沿模型的具體推理設定（除低推理模式外）未完全披露。
事件背景
Dharma-AI 團隊此前於 2026 年 4 月發布了 DharmaOCR-LITE，這是一款專門用於處理合約、法庭文件、發票、身份證和表格等多種文檔 OCR 的模型。該團隊的研究論文提出了一個觀點：在特定任務上，經過更貼近任務訓練的小型模型可以勝過通用前沿 API。Field Extractor 是基於 DharmaOCR-LITE v1.1（20 億參數版本）開發的後續產品，旨在解決從文件中提取結構化欄位而非僅提取文本的需求。該團隊強調「專業化優於規模」的策略，認為企業不需要最大的模型，而是需要針對其問題訓練的模型。
