法域提取器：任意文档输入，JSON结构化字段输出

文档处理领域正在出现一条新路径：不再追求“把整页文字识别出来”，而是直接“按需抽取字段”。 Dharma-AI 团队近日发布 Dharma Field Extractor，一个 20 亿参数的小模型，输入任意类型的文档图像，输出结构化 JSON，字段名和类型完全按调用方指定的 schema 来。团队称，在他们测试过的所有前沿大模型中，这个模型的表现都更好，而成本只是前者的一小部分。 这件事的背景是 OCR 与字段抽取之间的错位。今年 4 月，该团队曾发布 DharmaOCR-LITE，专攻合同、法院文书、发票、证件、表单等文档的 OCR。OCR 的产出是忠实于原版式的整页文本，适合“整份文档都要读”的场景，比如逐页阅读合同或数字化手稿。但企业日常处理的更多是另一类需求：不要整页，只要其中几个字段，并且要能直接被下游系统消费。例如发票上的每一条明细要变成列表，医疗申请单上的患者姓名、检查类型和日期要直接进入排程系统，证件信息要映射到员工档案的对应列。整页 OCR 的结果是一行行文字，系统并不知道哪串字符是检查类型、哪个数字是总额，中间仍需有人写代码做映射。用通用大模型加精心设计的提示词也能完成这类工作，但在前沿 API 的价格和延迟下，面对每天早上一批供应商发票这种高频、定义明确的任务，成本很快会失控。 Field Extractor 的解法是把这件事做成专用模型。它支持两种调用方式：开放式请求不提供 schema，模型根据上下文和版面判断哪些部分是结构化字段（如“标签加值”、带表头的表格），以键值对形式返回全部发现的内容；Schema 指定模式则要求调用方逐字段给出期望的结构，每个字段标注类型（字符串、数字或布尔），并使用系统里已有的键名，比如指定 service_provider 和 client_company，返回的就是这两个键。要求表格时，模型按行列逐格填充；文档上不存在的字段返回 null，而不是编造一个值。同一个 checkpoint 处理所有文档类型，无需按类型微调。对跨境卖家而言，这意味着发票、装箱单、物流面单、报关材料等单据的录入环节，可以用一个低成本小模型替代“OCR 加人工映射”或“通用大模型逐单抽取”的流程，把字段直接写进 ERP 或财务系统。