Dharma AI hat den Field Extractor vorgestellt, ein Modell mit 2 Milliarden Parametern, das angeforderte Informationen aus Dokumentbildern extrahiert und als strukturiertes JSON ausgibt. Nach Angaben des Unternehmens schnitt es in seinem Benchmark besser ab als vier Konfigurationen von Frontier-Modellen für allgemeine Zwecke und war im getesteten Setup zugleich kostengünstiger im Betrieb.

Das Modell ist für Aufgaben konzipiert, bei denen Nutzer bestimmte Angaben aus einem Dokument benötigen und keine vollständige Transkription des Textes. Es kann etwa Rechnungssummen und Einzelposten oder Informationen aus Ausweisen und Formularen in einem Format ausgeben, das für nachgelagerte Systeme vorgesehen ist.

Nutzer können eine offene Anfrage stellen und das Modell auffordern, alle auffindbaren Felder zu identifizieren, oder ein Schema mit den erforderlichen Feldnamen und Datentypen vorgeben. Dharma AI zufolge verwenden schema-gesteuerte Ergebnisse die angeforderten Schlüssel, ohne zusätzliche Felder hinzuzufügen. Felder, die in einem Dokument fehlen, werden demnach als null ausgegeben, statt erschlossen zu werden.

Der Field Extractor basiert auf DharmaOCR-LITE v1.1, einem Modell mit 2 Milliarden Parametern, und einem LoRA-Adapter, der anhand von 43.384 Beispielen für beide Anfragearten trainiert wurde. Die Trainingsdaten umfassen englischsprachige Dokumente aus mehreren Bereichen, brasilianische Dokumente auf Portugiesisch sowie eine kleinere mehrsprachige Sammlung. Zu den Dokumenttypen gehören Belege, Rechnungen, Formulare, Kontoauszüge, Ausweisdokumente und synthetische Beispiele.

Dharma AI bewertete das Modell anhand von 546 Dokumenten in drei Szenarien und erstellte dabei 1.638 Testfälle. Dabei ging es darum, alle verfügbaren Felder ohne Schema zu extrahieren, ein Schema mit tatsächlichen Feldern auszufüllen und mit Schemata umzugehen, die zusätzlich nicht vorhandene Felder enthielten. Die Bewertung kombinierte den F1-Wert auf Feldebene, die Ähnlichkeit zwischen übereinstimmenden Werten und den Anteil der Ausgaben, die gültiges JSON waren.

Das Modell erzielte 0,834 Punkte. Die getesteten Konfigurationen lagen zwischen 0,816 für Claude Opus 5 und 0,741 für GPT-5.6 Luna. Das Unternehmen berichtet außerdem, dass seine Kosten pro Extraktion etwa sechsmal bis 147-mal niedriger waren als bei den verglichenen APIs. Diese Zahlen beruhen bei den Frontier-Modellen auf dem gemessenen Tokenverbrauch und den veröffentlichten Preisen der Anbieter. Die Schätzung von Dharma AI basiert auf der GPU-Laufzeit auf einer einzelnen L40S zu 2,24 US-Dollar pro Stunde. Das Unternehmen weist darauf hin, dass die Kosten für Self-Hosting von Hardware, Volumen und Latenzanforderungen abhängen.

SROIE und FUNSD, zwei öffentliche Datensätze, die vom Training ausgeschlossen waren, wurden in den Benchmark aufgenommen. Dharma AI beschreibt Beispiele, bei denen das Modell alle 18 Felder eines Belegs extrahierte, einschließlich leerer Felder als null, und auf einem Formular ein angekreuztes Kästchen, handschriftlichen Text und leere Felder korrekt erkannte.

Die Ergebnisse und der Kostenvergleich stammen von Dharma AI. Das Unternehmen gibt an, dass das Modell über seine Online-Demo ausprobiert werden kann.

Quellen: Hugging Face Blog.