背景
OCR（光學字元辨識）輸出的是頁面文字，保留原始排版，但不標示哪個字串是欄位名稱或數值。若需從文件中提取特定欄位供下游系統使用，仍需額外編寫程式碼進行映射。通用型 LLM 雖可透過提示詞完成此任務，但在高頻次處理下，其 API 費用與延遲成本較高。Dharma-AI 針對此需求，開發了專用於結構化欄位提取的專用小語言模型。 官方原文・Hugging Face Blog
發生什麼事
Dharma-AI 於 2026 年 11 月 4 日發布 Dharma Field Extractor，這是一個 20 億參數（2-billion-parameter）的模型。該模型基於 DharmaOCR-LITE v1.1 checkpoint，透過 LoRA（低秩適應，一種參數高效微調技術）在 43,384 個訓練範例上進行訓練。訓練資料涵蓋英語多領域文件、巴西葡萄牙語文件，以及涵蓋其他歐洲與亞洲語言的多語言資料。 官方原文・Hugging Face Blog
重點內容
Dharma Field Extractor 提供兩種提取模式：「開放式（Open）」與「架構導向（Schema-directed，由使用者指定欄位名稱與類型的提取模式）」。開放式模式下，模型自動識別文件中的結構化欄位（如標籤與值、表格標題與欄位），並回傳鍵值對；架構導向模式則由使用者指定確切的欄位名稱、類型（字串、數字或布林值）及巢狀結構，模型嚴格遵循該架構輸出 JSON。若文件中不存在指定欄位，模型會回傳 null 而非虛構數值。輸出結果為 JSON 格式，欄位名稱與類型符合使用者定義，可直接輸入下游系統。 官方原文・Hugging Face Blog
在包含 546 份文件、共 1,638 個測試案例的基準測試中，Dharma Field Extractor 得分為 0.834。該分數高於測試中的多款前沿 LLM，包括 Claude Opus 5（0.816）與 GPT-5.6 Luna（0.741）。品質差距範圍從與 Claude Opus 5 的 1.8 分到與 GPT-5.6 Luna 的 9.3 分。在成本方面，該模型在單張 L40S GPU（每小時 2.24 美元）上自託管運行，其每次提取的成本比比較對象中的 API 低 6 倍至 147 倍。此成本比較基於自託管的 GPU 時間與前沿 API 的公開定價，並非銷售價格。 原文
模型在泛化能力測試中，於未用於訓練的 SROIE 與 FUNSD 資料集上進行評估。在 SROIE 收據測試中，模型正確提取了所有 18 個欄位，包括多行未標記的帳單地址，並將兩個空白欄位正確回傳為 null。在 FUNSD 複印變異表測試中，模型正確標記了 12 個布林欄位中唯一被勾選的一項（標記為 true），其餘 11 項為 false，並正確讀取手寫的 Bates ID。 原文
對使用者的意義
開發者與企業可利用 Dharma Field Extractor 將非結構化文件直接轉換為結構化 JSON 資料，無需額外編寫欄位映射程式碼。該模型適用於高頻次的文件處理場景，如供應商發票入帳、醫療申請單排程或合約合規檢查。使用者可透過 Hugging Face 下載模型並自託管部署。模型支援自定義欄位名稱與類型，確保輸出格式與現有資料庫架構相容。 官方原文・Hugging Face Blog
限制與未定事項
該模型為自託管部署，實際成本取決於硬體規格、處理量與延遲需求。 官方原文・Hugging Face Blog
接下來要看的事
- Dharma Field Extractor 在中文或其他亞洲語言文件上的具體準確率數據
- Dharma-AI 是否提供託管 API 服務及其定價結構
- 該模型在處理手寫體或低品質掃描文件時的錯誤率分析
