Dharma Field Extractor 让文档直出 JSON 字段：20 亿参数自托管，成本比前沿 API 低 6 至 147 倍
核心概要
Dharma-AI 发布 Dharma Field Extractor，一个 20 亿参数的字段抽取模型：输入文档图像，输出按指定模式组织的 JSON，同一份权重覆盖开放抽取与模式定向两种请求。在 546 份文档、三种请求场景共 1638 个用例的基准上，该模型字段级 F1 为 0.834，高于所测前沿配置中最好的 Claude Opus 5（0.816）与最差的 GPT-5.6 Luna（0.741）；自托管于单张 L40S 时，每次抽取成本比这些 API 低约 6 至 147 倍。
深度剖析
文档处理多了一条从整页文本到结构化字段的路径：模型直接返回带类型的 JSON，字段名与嵌套层级按请求给出，下游系统无需再写映射代码。 此前的 DharmaOCR-LITE 只做 OCR，返回页面上逐行印出的全部文本，却不标明哪一串是检查类型、哪一个是日期、哪一个数字是总额，仍需人工编写代码把每个值对应到字段。 在 546 份文档、三种请求场景共 1638 个用例的基准上，该模型字段级 F1 为 0.834，高于所测四个通用前沿配置，其中 Claude Opus 5 为 0.816，GPT-5.6 Luna 为 0.741。
同一份权重同时处理两种请求：不给模式时，模型依据上下文与版面判断哪些部分是结构化字段，返回全部键值对；给出模式时，按指定键名与类型逐字段填充。 模式定向请求中，每个字段需声明为字符串、数字或布尔类型，表格按行列逐格填入对应键；文档上没有的字段返回 null，而不是编造数值。 模型以 DharmaOCR-LITE v1.1 为基座，在其上训练 LoRA 适配器，训练集为 43384 个覆盖两种请求模式的样本，分为英文多领域、巴西葡语真实文档和多语种三路数据，均按字段级标注。
成本一侧的对照来自自托管：模型运行在单张 L40S 上，按每小时 2.24 美元的 GPU 时间计费，而不是按 token 计价。 前沿 API 一侧的成本由每页实测的平均输入与输出 token（含推理 token）乘以各厂商公开标价得出，所有前沿模型推理强度设为低，Claude Opus 5 使用自适应强度。 两侧成本差距约为 6 倍（对 GPT-5.6 Luna）到 147 倍（对 GPT-5.6 Sol）；发布方说明这不是销售价格，自托管成本取决于硬件、调用量和部署所需的延迟。
启示与展望
演示范围是文档图像到 JSON 字段的抽取，覆盖收据、商业发票、表单、银行对账单与身份证件等类型，基准含 546 份文档、三种请求场景共 1638 个用例；SROIE 与 FUNSD 为未参与训练的公开数据集，发布方各给出一例说明。
成本对比基于单张 L40S 的 GPU 时间与各厂商公开标价，发布方明确这不是销售价格，实际自托管成本取决于硬件、调用量和所需延迟；多语种数据只占训练混合的较小份额。