Dharma Field Extractor：2B 专才在字段 F1 上压过前沿 API，并把价差算清楚

2026 年 11 月 4 日，Dharma-AI 在 Hugging Face 发布 Dharma Field Extractor：一个 20 亿参数模型，接收文档图像，外加开放请求或精确 schema，返回带类型的 JSON。OCR 已经能忠实还原版面文字。字段抽取是另一件事：命名键、类型化值、嵌套表，以及页面没有该字段时的 null。文中可辩护的主张不是小模型普遍更聪明，而是：在有界、按 schema 定向的字段抽取上，贴近任务训练的 2B 模型能在字段级 F1 上胜过前沿通才 API，并在单卡 L40S 上把成本压到约 1/6 到 1/147。 若独立实验室在匹配 schema 的留出公开集上翻转该排名，或在同等 F1 下抹平成本差距，主张即失败。

实际交付了什么

底座是已通过 SFT 与 DPO 专精 OCR 的 DharmaOCR-LITE v1.1。LoRA 在 43384 例上训练，覆盖英语多领域公开网页文档、巴西葡萄牙语内部文档，以及更小份额的多语数据。文档类型包括收据、发票、表单、银行对账单、证件与合成样本。

开放模式不预设固定词表，从版面识别标签-值对与表格。Schema 模式要求精确键与类型（string、number、boolean）；缺失字段返回 null。作者强调 schema 输出严格贴合请求形状、不追加额外键，因而可直接进入下游系统，无需二次映射。

证据硬度

完整基准覆盖 546 份文档、三种情景（全字段、仅真实字段的部分 schema、故意混入幽灵字段的 schema），共 1638 例。分数把按路径（含表内位置）匹配的字段级 F1、匹配值的 Levenshtein 相似度，以及合法 JSON 占比相乘。

对照四种前沿配置（推理设为低；Claude Opus 5 为 adaptive），质量差距从 1.8 分（Opus 5 的 0.816 对 0.834）到 9.3 分（GPT-5.6 Luna 的 0.741）。成本用测得的每页平均 token 对照标价，对比单卡 L40S 按每小时 2.24 美元计的 GPU 时间。作者写明自托管成本取决于硬件、量与延迟目标；区间是说明性的，不是销售价目。

SROIE 与 FUNSD 留出训练。在一份 SROIE 收据上，模型正确返回全部 18 个请求字段，包括多行无标签账单地址，以及对空白 salesperson/ref 的 null。在 FUNSD 复印差异表上，它把唯一勾选项标为 true、其余十一项为 false，读出手写 Bates ID，并对空白字段返回 null。

钢人与缺口

钢人。 厂商基准偏向厂商。前沿模型未在同一 4.3 万例上微调；若给 Opus 或 GPT 做同类 LoRA，或许能抹平相对 Opus 的 1.8 分差距。每小时 2.24 美元的 L40S 摊销未计入空闲容量、工程时间与采购。英语与葡萄牙语之外的多语覆盖显得偏薄。「缺则 null、不编造」是正确产品行为，但文中未公布跨领域的校准弃权率。

这些限制成立。它们取消不了结构点：当输出契约是固定 schema 时，专精加版面感知训练，可以胜过在上下文里被要求做同一件事的通才。更早的 DharmaOCR 论文（arXiv:2604.14314）曾对巴西葡萄牙语 OCR 作过平行论证；本次把同一模式延到字段抽取，并点名公开留出集。

仍待闭合：1638 例协议的第三方重跑；对照文档专精商业 API（而不只是前沿对话模型）；多页合同上的延迟与错误模式；以及在对抗性空白字段下，schema 定向 null 行为是否仍然成立。

谁该在意，下一步看什么

正按前沿费率把发票、证件与申请单打成数据库行的团队，应按同等字段 F1 把自托管 2B 抽取器与当前 token 账单对账。合规采购方应把「缺失即 null」写成硬要求，而不是可选项。发布通才文档代理的模型实验室，应公布带幽灵字段 schema 的路径匹配字段 F1，而不只是页级 OCR CER。

接下来观察：SROIE/FUNSD 与厂商三情景组合上的独立分数；在相似数据上训练的前沿 LoRA 是否抹平 Opus 的 1.8 分差距；以及路径匹配 F1 通常塌陷的多页嵌套表生产报告。

收束

Dharma 可辩护的句子不是 2B 模型取代前沿系统。而是：对按 schema 定向的字段抽取，专精小模型可以在字段 F1 上领先，同时成本差距大到足以在放量时改变账单。 六个月后，要么外部基准保住这一排名，要么前沿微调与文档 API 同时抹掉质量故事与价格故事。