Dharma 喺 11 月 4 日透過 Hugging Face Blog 發布咗 Field Extractor，一個 20 億參數（2B）嘅模型，專做文件欄位抽取：俾一張文件影畀佢，佢直接返結構化 JSON（JavaScript Object Notation，一種常見的資料交換格式），逐欄位、逐層，跟住文件本身嘅結構歸位。
呢個係佢哋緊接今年 4 月 DharmaOCR-LITE 之後嘅第二歩。OCR（Optical Character Recognition，光學文字辨識）負責將頁面上嘅文字逐字還原，Field Extractor 負責嘅係另一件嘢：你唔需要成頁，你只需要特定欄位，格式要啱落去下游系統。
官方嘅對比邏輯擺喺呢度：用 OCR 會拿返成頁文字，但冇嘢話俾你知邊個係病歷日期、邊個係總額；用通用 LLM 配合 prompt engineering（提示詞工程），可以做到，但按前沿 API 嘅計價同延遲，大批量處理就變得好貴。Dharma 嘅立場就係：呢個係一個定義清晰嘅問題，應該用一個針對性嘅細模型去解。
模型提供兩種模式。Open mode（開放模式）唔俾 schema（欄位結構定義），模型自行從版式判斷邊啲係結構化欄位，以 key-value pairs（鍵值對）形式全數返回。Schema-directed mode（指定結構模式）則由用户逐欄位指定欄位名同類型（string、number 或 boolean），模型就填返去你係統已經喺用嘅欄位名落，文檔沒有嘅欄位返 null，唔會虛構。
Dharma 稱呢個 checkpoint 可以處理發票、醫療轉介書、識別證、合同等多種文檔，唔需要逐種做微調（fine-tuning，針對特定任務嘅額外訓練），並聲稱喺呢項任務上跑贏佢哋測試過嘅所有前沿 LLM。
模姐驗嚇貨
「跑贏所有前沿 LLM」呢句，出自 Dharma 自己。細模型喺定義清晰嘅單項任務贏過通用旗艦，呢個邏輯冇毛病，但贏幾多、喺邊啲文件格式上贏、穩定度點樣，都係佢哋話你知嘅。權重係咪開放下載、授權條款點、實際跑幾多個 invoice 先至穩定，自己試先有答案。
如果你真係有大批量發票或者醫療文件要處理，建議自己試嚇，唔好照單全收。
模姐｜深度調教
