Dharma AI presentó Field Extractor, un modelo de 2.000 millones de parámetros que extrae la información solicitada de imágenes de documentos y la devuelve en formato JSON estructurado. La empresa afirma que superó a cuatro configuraciones de modelos de frontera de propósito general en su benchmark, con un costo de ejecución menor en la configuración evaluada.

El modelo está diseñado para tareas en las que los usuarios necesitan detalles específicos de un documento, en lugar de una transcripción completa del texto. Puede devolver campos como los totales y las partidas de una factura, o información de documentos de identidad y formularios, en un formato pensado para que lo utilicen sistemas posteriores.

Los usuarios pueden hacer una solicitud abierta y pedir al modelo que identifique todos los campos que encuentre, o proporcionar un esquema que especifique los nombres y tipos de datos requeridos. Dharma AI afirma que los resultados guiados por un esquema utilizan las claves solicitadas sin añadir campos adicionales, y que los campos ausentes del documento se devuelven como null, en vez de inferirse.

Field Extractor se basa en DharmaOCR-LITE v1.1, un modelo de 2.000 millones de parámetros, con un adaptador LoRA entrenado con 43.384 ejemplos que abarcan ambos modos de solicitud. Sus datos de entrenamiento incluyen documentos en inglés de varios ámbitos, documentos brasileños en portugués y una colección multilingüe más reducida. Entre los tipos de documentos figuran recibos, facturas, formularios, extractos bancarios, documentos de identidad y ejemplos sintéticos.

Dharma AI evaluó el modelo con 546 documentos en tres escenarios, que generaron 1.638 casos de prueba. Estos abarcaron la extracción de todos los campos disponibles sin un esquema, el llenado de un esquema que contenía campos reales y el procesamiento de esquemas que también incluían campos inexistentes. La puntuación combinó el F1 a nivel de campo, la similitud entre los valores emparejados y la proporción de resultados que constituían JSON válido.

El modelo obtuvo 0,834, frente a resultados que oscilaron entre 0,816 para Claude Opus 5 y 0,741 para GPT-5.6 Luna entre las configuraciones evaluadas. La empresa también informa que su costo por extracción fue aproximadamente entre seis y 147 veces menor que el de las comparaciones mediante API. Esas cifras utilizan el consumo de tokens medido y los precios publicados por los proveedores para los modelos de frontera, mientras que la estimación de Dharma AI se basa en el tiempo de uso de una GPU L40S individual a 2,24 dólares por hora. La empresa señala que el costo del autoalojamiento depende del hardware, el volumen y los requisitos de latencia.

El benchmark incluyó SROIE y FUNSD, dos conjuntos de datos públicos excluidos del entrenamiento. Dharma AI describe ejemplos en los que el modelo extrajo los 18 campos de un recibo, incluidos los campos en blanco como null, e identificó correctamente una casilla marcada, texto manuscrito y campos vacíos en un formulario.

Dharma AI informa de los resultados y de la comparación de costos. La empresa dice que se puede probar el modelo a través de su demostración en línea.

Fuentes: Hugging Face Blog.