A Dharma AI apresentou o Field Extractor, um modelo de 2 bilhões de parâmetros que extrai informações solicitadas de imagens de documentos e as retorna como JSON estruturado. A empresa afirma que ele superou quatro configurações de modelos de fronteira de uso geral em seu benchmark, com um custo de execução menor na configuração testada.
O modelo foi desenvolvido para tarefas em que os usuários precisam de detalhes específicos de um documento, em vez de uma transcrição completa do texto. Ele pode retornar campos como totais e itens de faturas, ou informações de documentos de identidade e formulários, em um formato destinado ao uso por sistemas posteriores.
Os usuários podem fazer uma solicitação aberta, pedindo que o modelo identifique todos os campos que conseguir encontrar, ou fornecer um esquema que especifique os nomes e os tipos de dados dos campos necessários. A Dharma AI afirma que os resultados orientados por esquema usam as chaves solicitadas sem acrescentar campos extras e que os campos ausentes no documento são retornados como null, em vez de serem inferidos.
O Field Extractor é baseado no DharmaOCR-LITE v1.1, um modelo de 2 bilhões de parâmetros, com um adaptador LoRA treinado em 43.384 exemplos que abrangem os dois modos de solicitação. Seus dados de treinamento incluem documentos em inglês de vários domínios, documentos brasileiros em português e uma coleção multilíngue menor. Os tipos de documentos incluem recibos, faturas, formulários, extratos bancários, documentos de identidade e exemplos sintéticos.
A Dharma AI avaliou o modelo em 546 documentos em três cenários, produzindo 1.638 casos de teste. Eles abrangeram a extração de todos os campos disponíveis sem um esquema, o preenchimento de um esquema contendo campos reais e o tratamento de esquemas que também incluíam campos inexistentes. A pontuação combinou o F1 no nível dos campos, a similaridade entre valores correspondentes e a proporção de resultados que eram JSON válido.
O modelo obteve 0,834, em comparação com resultados que variaram de 0,816 para o Claude Opus 5 a 0,741 para o GPT-5.6 Luna entre as configurações testadas. A empresa também informa que seu custo por extração foi cerca de seis a 147 vezes menor do que nas comparações com APIs. Esses valores usam o consumo de tokens medido e os preços publicados pelos provedores para os modelos de fronteira, enquanto a estimativa da Dharma AI se baseia no tempo de GPU em uma única L40S, a US$ 2,24 por hora. A empresa observa que os custos de hospedagem própria dependem do hardware, do volume e dos requisitos de latência.
SROIE e FUNSD, dois conjuntos de dados públicos excluídos do treinamento, foram incluídos no benchmark. A Dharma AI descreve exemplos nos quais o modelo extraiu os 18 campos de um recibo, incluindo campos em branco como null, e identificou corretamente uma caixa marcada, texto manuscrito e campos vazios em um formulário.
Os resultados e a comparação de custos são divulgados pela Dharma AI. A empresa afirma que é possível experimentar o modelo por meio de sua demonstração online.
Fontes: Hugging Face Blog.