Dharma Field Extractor：將任意文件轉換為結構化 JSON 欄位

Dharma Field Extractor：結構化資料提取工具

Dharma-AI 團隊在 Hugging Face 發表了 Dharma Field Extractor 的技術介紹。這個工具可以接收任意格式的文件，自動提取結構化欄位，並以 JSON 格式輸出。模型由 Gabriel Pimenta de Freitas Cardoso 與 Paulo Henrique de Medeiros Araujo 等人開發，要解決的是企業處理非結構化文件時，必須有效擷取特定資訊，才能符合下游系統需求的問題。

模型核心功能與運作模式

Dharma Field Extractor 是一個 20 億參數的模型，基礎架構源自 DharmaOCR-LITE v1.1。傳統 OCR 只還原頁面文字，這個工具則會依使用者需求，把文件中的特定欄位提取出來。使用者可以選擇兩種提取模式：一是「開放模式」，不指定欄位名稱，模型會根據上下文與版面配置自動識別標籤與數值，回傳所有找到的鍵值對；二是「結構導向模式」，使用者要先定義欄位名稱與類型（字串、數字或布林值），模型會嚴格依照這個結構回傳 JSON，文件中若沒有該欄位，就回傳 null，不會捏造數據。

這樣的設計讓發票中的每一筆明細、醫療申請單上的患者姓名與檢查日期，或是身份證上的資料，都能直接對應到系統所需的欄位，不必另外寫程式做值對應。單一模型檢查點就能處理所有類型的文件，不需要針對每種文件類型個別微調。

訓練數據與技術細節

該模型在 DharmaOCR-LITE v1.1 檢查點之上，用 43,384 個訓練範例訓練了一個 LoRA 適配器。訓練數據有三個來源：公共網路上的多領域英文文件、內部收集的巴西葡萄牙語真實文件，以及涵蓋其他歐洲與亞洲語言的多語言數據，用來增強泛化能力。所有數據都在欄位層級標註，涵蓋收據、商業發票、表格、銀行對帳單、身份證件及合成文件等多種類型。

效能基準測試與成本優勢

在涵蓋 546 份文件、共 1,638 個案例的基準測試中，Dharma Field Extractor 的表現優於主流大型語言模型。測試評分採用欄位級 F1 分數，並結合數值的 Levenshtein 相似度與有效 JSON 輸出比例。結果顯示，該模型得分為 0.834，高於 Claude Opus 5 的 0.816 與 GPT-5.6 Luna 的 0.741。

成本方面，這個模型可以自託管運行，成本取決於硬體與延遲需求。測試中，每筆提取成本比 GPT-5.6 Luna 低約 6 倍，比 GPT-5.6 Sol 低約 147 倍。具體來說，在單張 L40S GPU 上運行，每小時成本為 2.24 美元。團隊強調，這並非銷售價格，而是要證明自託管的小型語言模型在特定任務上，能以更低成本達到更高品質，是商業 API 的可行替代方案。

泛化能力驗證

在未經訓練的 SROIE 收據數據集中，模型成功提取了所有 18 個欄位，包括多行未標記的地址與正確回傳的 null 值。在 FUNSD 影印差異表單中，模型準確標記了唯一勾選的選項，並正確識別手寫 Bates ID，同時對空白欄位回傳 null。