Extraire le total, la date et les lignes d'une facture numérisée est un travail fastidieux et volumineux, que beaucoup d'équipes confient désormais à un modèle de pointe via une API, en payant à la page. Dharma AI, une entreprise qui conçoit de petits modèles spécialisés, affirme qu'un modèle de 2 milliards de paramètres entraîné pour cette seule tâche la fait mieux et pour bien moins cher. Si cela se vérifie sur de vrais documents, le calcul change pour quiconque traite à grande échelle des reçus, des formulaires ou des relevés bancaires.
Field Extractor lit l'image d'un document et renvoie du JSON typé. Sans schéma, il trouve seul les libellés, les valeurs et les tableaux ; avec un schéma, il renvoie exactement les clés demandées, chacune en chaîne, nombre ou booléen, et un null quand un champ manque plutôt qu'une supposition. Les données imbriquées, comme les lignes d'une facture, reviennent sous forme de listes ordonnées. Il repose sur DharmaOCR-LITE v1.1, de la même entreprise, avec un adaptateur LoRA entraîné sur 43 384 exemples de reçus, factures, formulaires, relevés et pièces d'identité, surtout en anglais et en portugais du Brésil.
Sur le benchmark de Dharma, 546 documents testés chacun de trois façons, soit 1 638 cas, il obtient 0.834 contre 0.816 pour Claude Opus 5 et 0.741 pour GPT-5.6 Luna. L'un des trois scénarios demande volontairement des champs inexistants, ce qui vérifie si un modèle invente des valeurs, une erreur fréquente en extraction. Côté coût, Dharma dit être environ six fois moins cher que GPT-5.6 Luna et environ 147 fois moins cher que GPT-5.6 Sol, sur la base d'un GPU L40S à $2.24 de l'heure.
Notre test de Dharma Field Extractor relève qu'il n'existe encore ni poids publics ni prix, et le billet n'y change rien : le seul accès mentionné est un portail avec connexion. Cela compte pour la comparaison. Un modèle de 2B auto-hébergé séduit justement parce qu'on peut le faire tourner sur son propre matériel, et tant que ni poids ni prix d'API ne sont publiés, l'avantage de coût reste un calcul et non une offre. Les équipes qui utilisent déjà Claude Opus 5.5 ou GPT-6 Luna pour l'extraction n'ont pas de raison immédiate de changer.
Les doutes sont ceux de tout benchmark d'éditeur. Dharma a conçu le test, choisi la formule de notation et fait tourner les concurrents avec un raisonnement réglé au minimum, ce qui peut les sous-estimer. Ses propres coûts sont du temps GPU, ceux des modèles de pointe des prix catalogue, et Dharma précise elle-même que le chiffre horaire n'est pas un prix de vente. Seuls deux jeux de données ont été exclus de l'entraînement, et les exemples mis en avant sont des documents isolés. L'avance sur Claude Opus 5 est inférieure à deux points. Seul un test sur un échantillon de vos propres documents dira si l'écart est réel pour votre travail.