Dharma Field Extractor: model 2B wyciąga pola z dokumentów do JSON
Dharma Field Extractor to model o 2 mld parametrów zamieniający dokumenty w JSON. W benchmarku wyprzedził Claude Opus 5 i GPT-5.6, kosztując do 147 razy mniej.

Źródło zdjęcia: huggingface.co
Brazylijski zespół Dharma-AI zaprezentował Dharma Field Extractor, model o 2 miliardach parametrów. Przyjmuje obraz dokumentu i zwraca w formacie JSON wyłącznie te pola, o które poprosi użytkownik. Autorzy wpisu opublikowanego na blogu Hugging Face piszą, że w ich benchmarku model wyprzedził wszystkie testowane modele frontierowe, w tym Claude Opus 5 i warianty GPT-5.6. Według ich wyliczeń był przy tym od około 6 do około 147 razy tańszy w użyciu.
Pod publikacją podpisali się Gabriel Pimenta de Freitas Cardoso, Paulo Henrique de Medeiros Araujo, Bruno Duarte i Francisco de Almeida Rocha Alves. Model można wypróbować w interaktywnym demo udostępnionym przez zespół.
Najważniejsze informacje
- Dharma Field Extractor ma 2 mld parametrów. Z dowolnego typu dokumentu, np. faktury, formularza czy dowodu tożsamości, wyciąga ustrukturyzowane pola w JSON. Jeden checkpoint obsługuje wszystkie typy, bez osobnego dostrajania dla każdego z nich.
- W benchmarku obejmującym 1638 przypadków model uzyskał wynik 0,834. Najbliższy rywal, Claude Opus 5, osiągnął 0,816, a GPT-5.6 Luna 0,741.
- Koszt ekstrakcji był od około 6 razy (wobec GPT-5.6 Luna) do około 147 razy (wobec GPT-5.6 Sol) niższy. Model działał na jednym GPU L40S.
- Jeśli użytkownik poprosi o pole, którego nie ma w dokumencie, model zwraca null zamiast zmyślać wartość.
- Model powstał przez dotrenowanie adaptera LoRA na 43 384 przykładach. Bazą był DharmaOCR-LITE v1.1.
OCR to za mało
W kwietniu Dharma-AI wydało DharmaOCR-LITE, model wyspecjalizowany w rozpoznawaniu tekstu z umów, pism procesowych, faktur, dokumentów tożsamości i formularzy. Towarzysząca mu publikacja (arXiv:2604.14314) broniła wąskiej, dobrze zmierzonej tezy. Mniejszy model trenowany pod konkretne zadanie radzi sobie z nim lepiej niż uniwersalne API frontierowe.
OCR oddaje jednak całą stronę, wiernie względem oryginalnego formatowania. Sprawdza się to przy umowie czytanej od początku do końca albo przy digitalizacji rękopisu. W wielu procesach biznesowych potrzeba czegoś innego: kilku konkretnych pól w kształcie, który przyjmie kolejny system. Mogą to być pozycje faktury jako lista, imię i nazwisko pacjenta z datą i rodzajem badania ze skierowania albo dane z dowodu przypisane do kolumn kartoteki pracowniczej.
Sam OCR zwraca wszystko, co wydrukowano na stronie, linijka po linijce. Nie wskazuje, który ciąg znaków jest datą, a która liczba sumą. Ktoś musi więc napisać kod, który przypisze wartości do właściwych pól. Uniwersalny LLM poradzi sobie z tym zadaniem przy starannym promptowaniu. Autorzy zwracają jednak uwagę, że przy cenach i opóźnieniach API frontierowych oraz dużej skali przetwarzania to drogi sposób na rozwiązanie dobrze zdefiniowanego problemu.
Dwa tryby: otwarty i ze schematem
Field Extractor przyjmuje obraz dokumentu i jeden z dwóch rodzajów zapytań:
- Tryb otwarty, bez schematu. Model sam ustala na podstawie kontekstu i układu strony, co jest polem ustrukturyzowanym, np. etykieta z wartością albo tabela z nagłówkiem. Nie korzysta przy tym z zamkniętej listy nazw pól. Wszystko, co znajdzie, zwraca jako pary klucz-wartość.
- Tryb sterowany schematem. Użytkownik definiuje dokładny kształt wyniku, pole po polu, z typem dla każdego z nich (string, number lub boolean) i z nazwami kluczy używanymi w jego systemie. Prośba o pola „service_provider” i „client_company” daje odpowiedź z dokładnie tymi kluczami. Tabele są wypełniane wiersz po wierszu i kolumna po kolumnie.
Autorzy podsumowują wybór prosto. Tryb otwarty jest dla sytuacji, gdy nie wiadomo, co zawiera dokument. Schemat jest dla sytuacji, gdy wynik musi pasować do struktury, która już gdzieś istnieje. W trybie schematu odpowiedź ściśle mu odpowiada: te same klucze i żadnych dodatkowych pól. Dzięki temu można ją przekazać bezpośrednio do następnego systemu. Faktura wraca z uporządkowaną listą pozycji, każda z własną ilością i wartością, obok sum. Struktura wyniku jest zagnieżdżona tam, gdzie zagnieżdżony jest dokument.
Jak wytrenowano model
Bazą jest DharmaOCR-LITE v1.1. To nowa, zoptymalizowana wersja o 2 mld parametrów, wcześniej wyspecjalizowana w OCR przez nadzorowane dostrajanie (SFT) i DPO. Na tym checkpoincie zespół wytrenował adapter LoRA na 43 384 przykładach obejmujących oba tryby zapytań. Dane podzielono na trzy strumienie:
- anglojęzyczne dane wielodomenowe, czyli zróżnicowane dokumenty zebrane z publicznego internetu;
- brazylijskie dane domenowe, czyli prawdziwe dokumenty w języku portugalskim pozyskane wewnętrznie;
- dane wielojęzyczne, mniejsza część obejmująca inne języki europejskie i azjatyckie, która ma poprawić uogólnianie poza angielski i portugalski.
Wszystkie strumienie oznaczono na poziomie pojedynczych pól. Mieszanka była celowo wielodomenowa: paragony, faktury handlowe, formularze, wyciągi bankowe, dokumenty tożsamości i dokumenty syntetyczne. Wśród źródeł wpis wymienia m.in. zbiory BID, CORD, DocVQA, WildReceipt, Zenodo Invoices (PT) oraz brazylijskie zbiory faktur i rachunków.
Benchmark: jakość i koszt jednocześnie
Pełny benchmark obejmuje 546 dokumentów w trzech scenariuszach, łącznie 1638 przypadków:
- ekstrakcję wszystkich pól bez schematu,
- częściowy schemat zawierający wyłącznie istniejące pola,
- schemat z celowo dodanymi polami, których w dokumencie nie ma.
Wynik to F1 liczone na poziomie pól (dopasowanie po ścieżce, łącznie z pozycją w tabeli). Mnoży się je przez podobieństwo Levenshteina dla dopasowanych wartości oraz przez odsetek odpowiedzi zwróconych jako poprawny JSON.
Zespół porównał swój model z czterema konfiguracjami uniwersalnych modeli frontierowych. Przewaga jakościowa wyniosła od 1,8 punktu nad Claude Opus 5 do 9,3 punktu nad GPT-5.6 Luna. Wszystkie modele frontierowe działały z rozumowaniem ustawionym na poziom niski. Claude Opus 5 korzystał z adaptacyjnego wysiłku, który przy prostszych stronach może pominąć rozumowanie, pozostając na poziomie niskim.
Koszty liczono w różny sposób dla obu stron porównania. Dla modeli frontierowych przyjęto zmierzoną średnią liczbę tokenów wejściowych i wyjściowych na stronę, łącznie z tokenami rozumowania, oraz cenniki publikowane przez dostawców. Field Extractor nie jest rozliczany za tokeny, bo działa na własnej infrastrukturze. Jego koszt to czas pracy jednej karty L40S wyceniony na 2,24 USD za godzinę.
Autorzy zastrzegają, że nie jest to cena sprzedażowa. Koszt przy samodzielnym hostowaniu zależy od sprzętu, wolumenu i wymagań dotyczących opóźnień. Porównanie ma pokazać, że „suwerenny” mały, wyspecjalizowany model (SSLM) wdrożony na własnej infrastrukturze jest realną alternatywą dla API frontierowych.
Test uogólniania na nieznanych danych
Dwa publiczne zbiory z benchmarku, SROIE i FUNSD, nie były używane w treningu. Wpis opisuje po jednym przykładzie z każdego z nich.
Na paragonie z SROIE poproszono o wszystkie 18 wydrukowanych pól, tym razem bez pól-widm. Wszystkie wróciły poprawne. Wielowierszowy adres rozliczeniowy bez etykiety trafił do jednego pola. Dwa puste pola (sprzedawca i numer referencyjny) wróciły jako null, a wszystkie kwoty zgadzały się co do centa.
Na formularzu z FUNSD dotyczącym odstępstw przy kserowaniu znajdowała się lista dwunastu pól logicznych z jedną zagnieżdżoną grupą pięciu podopcji. Model oznaczył jako true jedyne zaznaczone pole („słaba jakość oryginału”, z odręczną adnotacją „faded” obok), a pozostałych jedenaście jako false, zgodnie z formularzem. Poprawnie odczytał też odręczny identyfikator Bates i zwrócił null dla dwóch niewypełnionych pól.
Specjalizacja kontra skala
Dharma-AI przedstawia wynik jako kolejny argument za tezą, od której zaczęła działalność. Pierwszy DharmaOCR-LITE, model o 3 mld parametrów, wyprzedził wszystkie testowane komercyjne API frontierowe w zadaniach na języku portugalskim w wersji brazylijskiej. Trzy miesiące później pojawiły się nowsze i lepiej finansowane modele, a przewaga się utrzymała. Teraz podobny rezultat, w zadaniu ekstrakcji pól, osiąga model o 2 mld parametrów.
„Liczba parametrów wyznacza sufit; trening decyduje, jaką jego część model osiąga w twoim zadaniu. Twoja firma nie potrzebuje największego dostępnego modelu. Potrzebuje takiego, który wytrenowano pod jej problem” — piszą autorzy.
Warto pamiętać, że benchmark przygotowali i przeprowadzili twórcy modelu, a opisane wyniki pochodzą z ich publikacji.
Co to oznacza dla Polski
Opis danych treningowych nie wymienia wprost języka polskiego. Mówi jedynie o „innych językach europejskich i azjatyckich” jako mniejszej części zbioru. Skuteczność na polskich fakturach czy formularzach trzeba więc sprawdzić samodzielnie, np. w udostępnionym demo.
Dla polskich firm przetwarzających duże ilości faktur, skierowań medycznych czy dokumentów kadrowych ważny jest przede wszystkim model wdrożenia. Model działa na własnej infrastrukturze, więc dokumenty z danymi osobowymi nie muszą trafiać do zewnętrznego API. W realiach unijnego RODO może to mieć duże znaczenie. Podana stawka 2,24 USD za godzinę pracy L40S to około 8–9 zł, ale autorzy sami zaznaczają, że rzeczywisty koszt zależy od sprzętu i skali.
Dharma Field Extractor to kolejny przykład podejścia, w którym mały model wytrenowany pod wąskie zadanie wyprzedza dużo większe systemy ogólnego przeznaczenia. Według benchmarku twórców robi to przy kilkukrotnie lub nawet kilkudziesięciokrotnie niższym koszcie.
Źródła
Podobne publikacje
Open ASR Leaderboard: egipski i nigeryjski angielski w rankingu
Open ASR Leaderboard od Hugging Face dodaje prywatne nagrania od Liva AI z egipskim i nigeryjskim angielskim oraz nowy podział akcentów według modelu Kachru.
Phonon TTS: mała synteza mowy offline w czołówce rankingu Hugging Face
Phonon TTS od Gradium działa w pełni na urządzeniu, waży ok. 65–75 MB, mówi w pięciu językach i prowadzi w Open TTS Leaderboard. Sprawdzamy licencje i wyniki.

Ile kosztuje „uścisk dłoni” między agentami AI? Nowe badanie
Badanie mierzy koszt handshake'u w protokołach MCP, A2A i ACP – od 61 do 230 ms oraz do 11% okna kontekstowego LLM.