Dharma Field Extractor：高效文件欄位擷取，成本更低、效能更優

Dharma Field Extractor 是一個 20 億參數的模型，能從任何文件類型中精確擷取您所要求的欄位，其效能超越了我們測試過的所有主流 LLM，且成本僅為其一小部分。

今年四月，我們發布了 DharmaOCR-LITE，這是一個專門用於處理各種文件的 OCR 模型，涵蓋了從合約、法院文件到發票、身分證件和表格等。其背後的研究論文為領域專業化提供了明確且經過驗證的案例：一個針對特定任務訓練的小型模型，在該任務上能擊敗通用型主流 API。

OCR 能忠實地擷取頁面上的文字，保留原始格式。當您需要處理整個文件時，例如需要從頭到尾閱讀的合約，或是正在數位化的手稿，這正是您所需要的。

然而，還有另一種使用情境：您不需要整個頁面，而是需要從中擷取特定欄位，並以能被下游系統使用的格式呈現。例如，將發票上的每個明細項目作為一個清單，或從醫療申請單中擷取病患姓名、檢查類型和日期，以便排程。又或是將身分證件上的欄位對應到員工記錄的資料庫欄位。

將文件透過 OCR 處理後，您會得到所有列印在上面的內容，逐行呈現，卻沒有任何指示說明哪個字串是檢查類型、哪個是日期，或是哪個數字是總金額。在資料進入資料庫之前，仍然需要有人編寫程式碼，將每個值對應到正確的欄位。

現今，通用型 LLM 透過仔細的提示詞（prompting）也能完成這項工作。然而，以主流 API 的定價和延遲時間來看，對於許多企業需要大量執行的任務而言，這很快就會變成解決一個明確問題的昂貴方式。

因此，我們轉而建立了一個專門的模型。Field Extractor 接收文件影像，並根據要求擷取所有能找到的內容，或是填入一個精確的 schema，然後回傳結構化的 JSON：包含類型、逐欄位呈現，並在文件有巢狀結構時也呈現巢狀。例如，發票會以有序清單的形式回傳每個明細項目，每個項目都有其數量和價值，以及總計。

身分證件則會以您系統中已使用的名稱，回傳您要儲存的欄位。同一個檢查點（checkpoint）能處理所有這些任務，無需針對每種類型進行微調（fine-tuning）。

您可以點擊這裡親自試用。

模型功能

假設每天早上都會收到一批供應商發票，您需要從每張發票中擷取四項資訊以匯入您的系統：供應商、發票號碼、到期日和總金額。醫療申請單進入排程系統，或合約輸入合規系統時，情況也類似，重要的是當事人、條款、罰則和罰款金額。您不需要整個頁面，您只需要特定的欄位。使用 Field Extractor 有兩種方式來要求這些欄位：

開放模式（Open）：不提供 schema。模型會根據上下文和版面配置，而非固定的欄位名稱清單，讀取頁面並判斷哪些部分是結構化欄位（例如標籤後跟一個值，或帶有標題行的表格），並將所有找到的內容以鍵值對（key-value pairs）的形式回傳。

Schema 指導模式（Schema-directed）：您指定所需的確切結構，逐欄位定義，並為每個欄位指定類型（字串、數字或布林值），使用您系統中已有的鍵名。例如，要求「service_provider」和「client_company」，回傳的鍵名就會是這些。要求一個表格，它會逐行、逐欄地填寫，將每個單元格對應到其所屬的鍵。如果要求文件上不存在的欄位，它會回傳 null 而非憑空捏造一個值。

選擇哪種模式取決於您已知的資訊。當您不知道文件包含什麼內容時，請發送開放請求。當輸出必須符合其他地方已存在的結構時，請發送 schema 請求。

無論哪種方式，回傳的都是 JSON：欄位作為鍵，值按照要求進行類型化，如果文件中沒有您要求的內容，則回傳 null。當您發送 schema 時，輸出會完全遵循它，使用相同的鍵且沒有額外欄位，因此可以直接進入下一個系統。

訓練方式

基礎模型是 DharmaOCR-LITE v1.1，這是一個新的 20 億參數版本，從論文中的模型進行了優化，並透過監督式微調（supervised fine-tuning）和 DPO（Direct Preference Optimization）專門用於 OCR。在此檢查點之上，我們在涵蓋兩種請求模式的 43,384 個訓練範例上訓練了一個 LoRA adapter。

資料分為三個流：

英文多領域資料：從公共網路收集的多樣化文件，涵蓋多種文件類型。

巴西領域資料：內部來源的真實巴西文件，使用葡萄牙語。

多語言資料：較小比例的資料涵蓋其他歐洲和亞洲語言，以實現超越英語和葡萄牙語的更廣泛泛化能力。

所有三個資料流都在欄位層級進行了註釋。資料混合刻意涵蓋多個領域：收據、商業發票、表格、銀行對帳單、身分證件和合成文件，而非單一文件類型。

基準測試的界線

完整的基準測試涵蓋 546 份文件，分為三種請求情境，總計 1,638 個案例：不帶 schema 擷取所有欄位、部分 schema 僅命名真實欄位，以及包含故意不存在欄位的 schema。分數是欄位層級的 F1 分數（按路徑匹配，包括表格內的位置），乘以匹配值的 Levenshtein 相似度，再乘以回傳有效 JSON 的輸出比例。

我們針對四種通用型主流配置進行了相同的基準測試。

與通用型 LLM 相比，品質差距從 1.8 分（最接近的 Claude Opus 5）到 9.3 分（差距最大的 GPT-5.6 Luna）。

成本方面，大約從低 6 倍（GPT-5.6 Luna）到低 147 倍（GPT-5.6 Sol）。這兩者的定價方式不同。主流模型的數據來自每頁測量的平均輸入和輸出 token 數，包括推理 token，並根據每個供應商發布的定價計算。每個主流模型都設定為低推理；Claude Opus 5 使用自適應努力，可以在較簡單的頁面上跳過推理，同時保持在低水準。

我們的模型不是按 token 計費：該模型是自託管運行的，因此數字是單個 L40S GPU 每小時 2.24 美元的 GPU 時間。

這不是銷售價格。自託管成本取決於每個部署所需的硬體、處理量和延遲。此比較旨在表明，部署在您自己基礎設施上的主權 SSLM（專用小型語言模型）是主流 API 的真正替代方案。

泛化能力測試

SROIE 和 FUNSD 是我們基準測試中的兩個公開資料集，並未用於訓練。以下是每個資料集的一個範例。

在一張 SROIE 收據上，我們要求擷取上面列印的所有 18 個欄位，這次沒有虛擬欄位，每個欄位都正確回傳：多行、未標記的帳單地址被擷取為單一欄位，兩個空白欄位（銷售人員和參考）正確回傳為 null，收據上的每個數字都精確到分。

在一份 FUNSD 影印差異表上，這是一個包含十二個布林值欄位的清單，其中一個巢狀組包含五個子選項，模型將唯一被勾選的方框（原始品質差，旁邊有手寫的「褪色」備註）精確標記為 true，其他十一個標記為 false，與表格完全匹配。它還正確讀取了頁面上的手寫 Bates ID，並為兩個空白欄位回傳 null。

同時兼顧品質與成本

一個 20 億參數的模型得分為 0.834，高於我們測試過的所有主流配置，從 Claude Opus 5 的 0.816 到 GPT-5.6 Luna 的 0.741，同時在單個 L40S 上運行，每次擷取的成本低於比較中的所有 API。在相同的基準測試中，以相同的運行方式，實現了更高的品質和更低的成本。

這不是我們第一次測量到這種結果。我們的 OCR 論文將第一個 DharmaOCR-LITE（一個 30 億參數的模型）的表現置於所有測試過的巴西葡萄牙語商業主流 API 之上；三個月後，更新、資源更好的模型問世，但差距依然存在。現在，一個 20 億參數的模型在欄位擷取方面也做到了。

每個結果都為我們創立 Dharma-AI 時的論點增加了證據：在一個有界任務上，一個針對該任務訓練的小型模型，能擊敗被要求執行相同通用任務的主流模型。在此基準測試中，其運行成本也降低了 6 到 147 倍。

參數數量設定了上限；訓練決定了模型在您的任務上能達到多少潛力。您的業務不需要最大的模型，它需要一個為您的問題而訓練的模型。

點擊這裡在您自己的文件上試用。要了解更多關於 Dharma-AI 和我們建立的專業模型，請訪問 dharma-ai.com。