Dharma Field Extractor:ドキュメントからJSONを抽出する20億パラメータモデル
この記事の要点
Dharma AIは、ドキュメントから特定のフィールドを抽出し、JSON形式で出力する20億パラメータのモデル「Dharma Field Extractor」を発表した。4月に公開したOCRモデル「DharmaOCR-LITE」を基盤とし、スキーマ指定の有無に応じて柔軟な抽出が可能だ。汎用LLMと比較して最大147倍のコスト削減を実現する。自己ホスト型で運用でき、請求書やフォームなどのドキュメント処理に適している。
ドキュメントから特定のフィールドを抽出し、JSON形式で出力する20億パラメータのモデル「Dharma Field Extractor」が登場した。4月にリリースしたOCRモデル「DharmaOCR-LITE」の技術を基盤としている。
本モデルは、ドキュメント画像を入力とし、2つのモードでフィールド抽出を行う。スキーマを指定せず、文脈とレイアウトから構造を判断してキーと値のペアを抽出する「Openモード」と、ユーザー指定のスキーマと型に基づきJSONを出力する「Schema-directedモード」だ。後者では指定したフィールドが存在しない場合、nullを返す。
汎用LLMであるClaude Opus 5やGPT-5.6 Lunaと比較したベンチマークでは、F1スコアで0.834を記録した。コスト面では、L40S GPU 1台(1時間あたり2.24ドル)で運用した場合、比較した汎用APIと比べて6倍から147倍のコスト削減が可能だ。なお、APIのコストは各プロバイダーの公開価格に基づき、推論トークンを含めて算出している。
学習には「DharmaOCR-LITE v1.1」をベースモデルとして使用した。43,384件の学習例を用いてLoRAアダプターを学習させている。学習データは英語の多ドメインデータに加え、ポルトガル語のブラジル国内ドキュメントや、その他の欧州・アジア言語を含む多言語データで構成した。
ベンチマークは546ドキュメント、計1,638ケースで実施した。評価指標はフィールドレベルのF1スコアに、値のLevenshtein類似度と有効なJSON出力の割合を乗じて算出している。SROIEやFUNSDといった公開データセットを用いた検証では、請求書やフォームなどのドキュメントから正確なフィールド抽出が可能であることを確認した。
本モデルは自己ホスト型であり、利用コストはハードウェア構成や運用環境に依存する。なお、商用利用に関するライセンス条件や、特定の業界への最適化に関する細則については現時点で公表されていない。
開発者にとっての意味
既存の汎用LLMによる抽出処理は、今の実装のまま変えない。本モデルの評価指標は独自定義であり、手元の業務データで再現できるか不明だからだ。特に「有効なJSON出力」の定義や、日本語ドキュメントでの精度は検証されていない。まずは手元のテストセットを使い、本モデルの推論結果と現行のAPI出力を比較し、F1スコアとLevenshtein類似度を再計算すべきだ。商用ライセンスや日本語対応の確証が得られるまで、移行の検討は保留する。
出典
Hugging Face「Dharma Field Extractor: Any Document In, Structured Fields in JSON Out」この記事は、出典元が公表した原文をもとに当社のAI編集部が日本語で再構成し、 公開前に人が確認したものです。原文の訳ではありません。 事実関係は出典(原文)で確認してください。
