Summe, Datum und Rechnungspositionen aus einer gescannten Rechnung zu ziehen ist eintönige Arbeit in großen Mengen, und viele Teams geben sie heute über eine API an ein Spitzenmodell ab und zahlen pro Seite. Dharma AI, ein Unternehmen, das kleine spezialisierte Modelle baut, hält dagegen, dass ein Modell mit 2 Milliarden Parametern, das nur für diese Aufgabe trainiert wurde, sie besser und viel günstiger erledigt. Wenn das bei echten Unterlagen hält, ändert es die Rechnung für alle, die Belege, Formulare oder Kontoauszüge in großem Umfang verarbeiten.
Field Extractor liest ein Dokumentbild und gibt typisiertes JSON zurück. Ohne Schema findet es Beschriftungen, Werte und Tabellen selbst; mit Schema liefert es genau die angeforderten Schlüssel, jeweils als String, Zahl oder Boolean, und bei fehlenden Feldern null statt einer Vermutung. Verschachtelte Daten wie Rechnungspositionen kommen als geordnete Listen zurück. Grundlage ist das hauseigene DharmaOCR-LITE v1.1 mit einem LoRA-Adapter, trainiert auf 43.384 Beispielen aus Belegen, Rechnungen, Formularen, Auszügen und Ausweisdokumenten, überwiegend auf Englisch und brasilianischem Portugiesisch.
Im Benchmark von Dharma mit 546 Dokumenten, jeweils auf drei Arten getestet, insgesamt 1.638 Fälle, erreichte es 0.834 gegenüber 0.816 für Claude Opus 5 und 0.741 für GPT-5.6 Luna. Eines der drei Szenarien fragt bewusst nach Feldern, die es nicht gibt, und prüft so, ob ein Modell Werte erfindet, ein häufiger Fehler bei der Extraktion. Bei den Kosten gibt Dharma an, etwa sechsmal günstiger als GPT-5.6 Luna und etwa 147-mal günstiger als GPT-5.6 Sol zu sein, berechnet auf einer L40S-GPU zu $2.24 pro Stunde.
Unser Test von Dharma Field Extractor hält fest, dass es noch keine öffentlichen Gewichte und keinen Preis gibt, und der Blogbeitrag ändert daran nichts: Als Zugang wird nur ein Portal mit Anmeldung genannt. Das ist für den Vergleich wichtig. Ein selbst gehostetes 2B-Modell ist gerade deshalb reizvoll, weil man es auf eigener Hardware betreiben kann, und solange weder Gewichte noch ein API-Preis vorliegen, ist der Kostenvorteil eine Rechnung und kein Angebot. Teams, die Claude Opus 5.5 oder GPT-6 Luna bereits für die Extraktion nutzen, haben keinen unmittelbaren Grund zu wechseln.
Die Zweifel sind die üblichen bei einem Herstellerbenchmark. Dharma hat den Test gebaut, die Bewertungsformel gewählt und die Konkurrenten mit niedrig eingestelltem Reasoning laufen lassen, was sie unterschätzen könnte. Die eigenen Kosten sind GPU-Zeit, die der Spitzenmodelle Listenpreise, und Dharma sagt selbst, dass der Stundenwert kein Verkaufspreis ist. Nur zwei Datensätze wurden vom Training ausgenommen, und die Vorzeigebeispiele sind einzelne Dokumente. Der Vorsprung vor Claude Opus 5 beträgt weniger als zwei Punkte. Ob der Abstand für deine Arbeit real ist, zeigt nur ein Test mit einer Stichprobe deiner eigenen Dokumente.