Oleksandr Kuzmenko, РедакторОпубліковано 6 хв читанняЗа участі AI · перевірено редактором
TL;DR
- Спеціалізована 2B-модель перевершує Claude Opus 5 у вилученні полів із документів (0.834 проти 0.816).
- Режим Schema-directed гарантує типізований JSON і повертає null замість галюцинацій для відсутніх полів.
- Локальний хостинг на одній NVIDIA L40S ($2.24/год) скорочує витрати на обробку до 147 разів.
Ключові факти
- Розмір моделі
- 2 мільярди параметрів
- Датасет навчання
- 43 384 анотованих прикладів (LoRA)
- Бенчмарк-оцінка
- 0.834 (проти 0.816 у Claude Opus 5, за даними авторів)
- Економія коштів
- від 6x до 147x дешевше хмарних API на L40S ($2.24/год)
Архітектура та два режими роботи
Модель побудована на базі DharmaOCR-LITE v1.1 (2B-чекпоїнт після SFT та DPO) з LoRA-адаптером, навченим на 43 384 прикладах. Вона підтримує два робочі сценарії:
1. Open Extraction: Працює без схеми, автоматично виділяючи пари ключ-значення, таблиці та списки безпосередньо з візуального контексту сторінки. 2. Schema-Directed: Отримує точну JSON-схему з типами даних (string, number, boolean). Якщо запитаного поля в документі немає, модель повертає чистий null без вигадування значень.
Результати бенчмарків проти комерційних моделей
Тестування охопило 546 документів у 1 638 сценаріях (повне вилучення, часткова схема та схеми з навмисно відсутніми полями). Оцінювався комбінований бал: F1 на рівні полів, помножений на подібність Левенштейна та валідність вихідного JSON:
- Dharma Field Extractor (2B): 0.834
- Claude Opus 5: 0.816 (найближча комерційна модель)
- GPT-5.6 Luna: 0.741 (розрив у 9.3 пункту)
На датасетах SROIE (чеки) та FUNSD (форми з чекбоксами) модель правильно повернула null для незаповнених граф і безпомилково розпізнала рукописні позначки.
Економіка локального розгортання на L40S
Витрати на комерційні API розраховувалися на основі тарифів на вхідні та вихідні токени з урахуванням reasoning-токенів. Dharma Field Extractor розгортається автономно на одному інстансі з NVIDIA L40S ($2.24/год). На великих обсягах документів вартість локальної обробки виходить у 6 разів нижчою за GPT-5.6 Luna та приблизно у 147 разів нижчою за GPT-5.6 Sol.
Спробуй за 2 хвилини
{
"schema": {
"supplier": "string",
"invoice_number": "string",
"due_date": "string",
"total": "number"
}
}Коли використовувати
- Високонавантажені пайплайни обробки чеків, рахунків-фактур, медичних бланків та договорів.
- Суворе дотримання типізованої JSON-схеми без галюцинацій на локальній інфраструктурі.
Коли НЕ варто
- Узагальнення великих текстових масивів або аналітичний розбір усього змісту книги чи звіту.
- Рідкісні поодинокі запити, де оренда навіть одного GPU-сервера є економічно недоцільною.
Що зробити сьогодні
- Оцініть обсяги парсингу документів у пайплайнах, що витрачають значні бюджети на хмарні API токени.
- Протестуйте вилучення типізованого JSON зі складних сканів за допомогою чекпоїнта DharmaOCR-LITE.
Назви кроків узяті з блоку «Що зробити сьогодні».
Назви кроків узяті з блоку «Що зробити сьогодні». Оцініть обсяги парсингу документів у пайплайнах, що витрачають значні бюджети на хмарні API токени.. Протестуйте вилучення типізованого JSON зі складних сканів за допомогою чекпоїнта DharmaOCR-LITE.
- Оцініть обсяги парсингу документів у пайплайнах, що витрачають значні бюджети на хмарні API токени.
- Протестуйте вилучення типізованого JSON зі складних сканів за допомогою чекпоїнта DharmaOCR-LITE.