巴西AI公司Dharma发布20亿参数文档字段提取模型，称自测成本远低于前沿大模型
Dharma-AI推出专门用于从文档中提取结构化字段的20亿参数小模型。厂商自测显示其质量超过前沿大模型且成本大幅降低，为高频文档处理提供了更便宜的替代方案。
巴西人工智能初创公司 Dharma-AI 于2026年11月发布了名为 Dharma Field Extractor 的20亿参数小语言模型（SLM）。该模型专门用于从各种类型的文档图像中直接提取用户所需的具体字段，并将其输出为结构化的 JSON 格式。与传统的 OCR（光学字符识别）技术仅返回页面上的所有文本不同，Field Extractor 能够理解上下文和布局，将发票、医疗申请单或身份证件上的特定信息（如供应商名称、总金额、患者姓名等）映射到指定的键值对中。
在技术实现上，该模型基于 DharmaOCR-LITE v1.1 版本，通过监督微调和直接偏好优化（DPO）进行训练，并在此基础上使用包含43,384个样本的数据集训练了 LoRA 适配器。数据涵盖了英语多领域文档、葡萄牙语巴西本地文档以及部分其他欧洲和亚洲语言的文档。模型支持两种请求模式：一种是“开放式”请求，由模型自行判断并提取所有结构化字段；另一种是“架构导向”请求，用户指定确切的字段名称和数据类型，模型按此填充，遇到不存在的字段则返回 null。
根据 Dharma-AI 发布的内部基准测试结果，该模型在546份文档的测试中取得了0.834的综合得分，超过了包括 Claude Opus 5 和 GPT-5.6 Luna 在内的多个前沿通用大模型配置。在成本方面，由于该模型设计为自托管运行，其在单张 L40S GPU 上的推理成本比调用前沿 API 低约6倍至147倍不等。这一结果凸显了针对特定任务训练的专用小模型在高频企业应用中的潜在经济优势。需要注意的是，上述性能对比和成本节约均基于 Dharma-AI 自行构建的基准测试和硬件环境，尚未获得独立第三方的复现验证。