Dharma-AI 介绍文档字段提取模型：将图像内容整理为结构化 JSON

Dharma-AI 在 Hugging Face 发布技术文章，介绍一款约 20 亿参数的文档字段提取模型 Dharma Field Extractor。它接收文档图像，并尝试将用户需要的信息整理为结构化 JSON。原始文章的发布时间换算为北京时间是 11 月 5 日凌晨。

从整页文字转向指定字段

传统文字识别通常侧重把页面上的文字提取出来，而业务系统还需要知道哪一项是供应商、日期或金额。Dharma-AI 介绍，这款模型支持两种请求方式：让模型根据页面内容识别可能的字段，或者由用户预先提供字段名称和类型，再按指定结构返回结果。

例如，处理一张发票时，系统可以请求供应商名称、发票编号和合计金额；涉及表格时，也可以要求按行整理项目。团队表示，同一个模型检查点可处理不同类型文档，无须针对每种类型单独微调。对于不存在的字段，模型被设计为返回空值，但实际使用仍应核对结果。

测试结果如何理解

团队称，该模型基于专门用于文档识别的 DharmaOCR-LITE v1.1，并使用 43,384 条样本训练适配器。其自行设计的评测包含 546 份文档、三类提取请求，总计 1,638 个测试案例。按文章公布的综合指标，模型得分为 0.834，高于团队在该评测中列出的几个通用模型配置。

这些结果受测试文档、提示方式和评估方法影响，不能据此认定它在所有文档或语言中都更准确。文章中的成本对比还涉及自托管 GPU 费用与按量付费 API，实际成本会随硬件和工作量变化。处理身份证件、医疗或财务文件时，也应依据具体场景控制数据访问，并由人员复核关键字段。

资料来源：Dharma-AI：Dharma Field Extractor 技术介绍。