Qu’est-ce que Dharma Field Extractor ?
Dharma Field Extractor est un modèle d'extraction de champs de documents conçu par Dharma-AI S.A., une société de Rio de Janeiro qui développe de petits modèles spécialisés pour les entreprises. Présenté sur le blog de Hugging Face le 4 novembre 2026, c'est un adaptateur LoRA entraîné sur DharmaOCR-LITE v1.1, nouvelle version à 2 milliards de paramètres du modèle OCR maison. Ni l'adaptateur ni la base v1.1 ne sont publiés sur Hugging Face ; le seul modèle Dharma public est l'ancien DharmaOCR-LITE, sous licence non commerciale.
Il prend l'image d'un document et renvoie du JSON selon deux modes. En mode ouvert, il extrait tous les champs qu'il trouve et les imbrique comme le document, y compris les lignes de tableau comme celles d'une facture. En mode schéma, vous fournissez les clés et un type pour chacune (chaîne, nombre ou booléen) et récupérez exactement ces clés, avec null pour tout ce qui ne figure pas sur la page. L'adaptateur a été entraîné sur 43 384 exemples : documents anglais issus du web public, vrais documents en portugais du Brésil tirés des sources de Dharma-AI et un ensemble plus réduit dans d'autres langues européennes et asiatiques, couvrant tickets, factures, formulaires, relevés bancaires et pièces d'identité.
Dharma Field Extractor vaut-il le coup ?
Le résultat phare est étroit et autodéclaré. Sur le benchmark maison de Dharma-AI, 546 documents testés de trois façons (sans schéma, avec un schéma de champs réels et avec un schéma truffé de champs inexistants), il obtient 0,834 contre 0,816 pour Claude Opus 5 et 0,741 pour GPT-5.6 Luna. Les modèles de pointe tournaient avec un raisonnement réglé sur bas. Jeu de test, métrique et vainqueur viennent tous de la même société, et le billet ne publie ni réglages d'entraînement ni code pour le reproduire.
La métrique est raisonnable pour la production. Elle multiplie le F1 au niveau du champ, les champs étant appariés par leur chemin y compris leur position dans un tableau, par la similarité de distance d'édition des valeurs et par la part de sorties qui se lisent comme du JSON valide. Elle sanctionne ainsi les erreurs qui cassent une chaîne de traitement : un champ inventé, une ligne fausse, une accolade égarée. Que le mode schéma renvoie null pour les champs absents, au lieu de deviner, est le comportement que veulent les services fournisseurs.
L'argument du coût est le vrai propos. Auto-hébergé sur une NVIDIA L40S à 2,24 $ l'heure, Dharma-AI estime le traitement environ 6 fois moins cher que GPT-5.6 Luna et 147 fois moins cher que GPT-5.6 Sol, tout en précisant que 2,24 $ n'est pas un prix de vente. Un modèle de 2B sur un GPU de milieu de gamme est une façon plausible de traiter des millions de tickets par mois.
Ce qui empêche de le recommander, c'est l'accès. Pas de poids, pas de prix d'API, pas de conditions publiées sur le traitement des données, seulement un portail de démonstration et un contact commercial. Les poids de l'ancien DharmaOCR-LITE sont non commerciaux et exigent une licence écrite distincte pour tout usage hébergé ou commercial, ce qui laisse présager le même schéma ici. Des alternatives ouvertes comme GLM-OCR et PaddleOCR-VL se téléchargent et se testent dès aujourd'hui sur vos propres documents ; celui-ci demande d'abord une conversation.
Là où il fait la différence
Une responsable de la comptabilité fournisseurs chez un distributeur brésilien qui gère notas fiscais et factures fournisseurs
Reporter totaux, identifiants fiscaux et lignes dans l'ERP sans ressaisie
Envoyez chaque facture scannée avec un schéma reprenant les noms de champs de l'ERP et injectez le JSON tel quel, en signalant les null pour vérification. Le modèle a vu de vrais documents brésiliens à l'entraînement ; déploiement et prix se négocient avec Dharma-AI.
Un ingénieur plateforme qui veut remplacer une étape d'extraction par modèle de pointe trop chère à la page
Réduire le coût par document d'une chaîne de tickets à fort volume sans perdre en précision
Avant de signer, notez un échantillon de vos documents sur la démo face au modèle actuel, avec les trois cas que teste Dharma-AI (sans schéma, champs réels, faux champs) ; l'économie annoncée de 6 à 147 fois suppose un auto-hébergement sur une L40S à 2,24 $ l'heure.
Avant de vous engager
- Mise en route
- Essayez un document sur le portail de démonstration lié depuis le billet de lancement ; la production passe par l'équipe commerciale de Dharma-AI. Ni poids publics, ni SDK, ni référence d'API.
- Intégrations
- Sortie JSON dont les clés sont vos propres noms de champs ; Dharma-AI dit que ses modèles tournent sur site ou en cloud privé. Aucune intégration tierce n'est citée.
- Données et confidentialité
- Dharma-AI affirme que les clients gardent le contrôle total de leurs données dans leur propre environnement ; conservation, usage pour l'entraînement et certifications ne sont pas publiés. Les poids publics de DharmaOCR-LITE exigent une licence écrite de Dharma-AI S.A. pour un usage commercial, hébergé ou public.
- Coût à grande échelle
- Non publié. Le calcul de coût du benchmark de Dharma-AI repose sur une NVIDIA L40S à 2,24 $ l'heure et revendique un coût environ 6 à 147 fois inférieur à GPT-5.6 Luna et GPT-5.6 Sol.
- Limites
- Accepte des images de documents ; types de champs limités à chaîne, nombre et booléen. La généralisation hors du jeu d'entraînement est montrée sur un ticket SROIE et un formulaire FUNSD, pas sur un benchmark complet.
Les points forts
- Le mode schéma renvoie exactement vos clés et null pour les champs absents
- Gère les champs imbriqués et les lignes de tableau comme celles d'une facture
- Entraîné sur de vrais documents en portugais du Brésil en plus de l'anglais
- 2B paramètres ; les chiffres de coût de Dharma-AI supposent une L40S
Les points faibles
- Ni poids publics, ni API, ni prix
- Benchmark, métrique et comparaison sont tous de Dharma-AI
- Entrée image uniquement ; le traitement des PDF n'est pas décrit
- Les anciens poids Dharma ne sont licenciés que pour un usage non commercial
Idéal pour
Équipes finance et opérations au Brésil et en Amérique latine qui traitent de gros volumes de tickets, factures et formulaires et sont prêtes à acheter un déploiement privé auprès d'un petit fournisseur.
Alternatives à Dharma Field Extractor
Dharma Field Extractor : questions fréquentes
- Dharma Field Extractor vaut-il le coup ?
- Dharma Field Extractor démontre de façon crédible qu'un modèle de 2B peut égaler un modèle de pointe pour remplir les champs d'une facture, mais tant qu'on ne peut ni le télécharger ni voir un prix, cette démonstration est tout ce qu'on peut acheter. Nous lui donnons 3.3 sur 5.
- Combien coûte Dharma Field Extractor ?
- Aucun prix publié. Usage commercial et déploiement sous contrat avec Dharma-AI ; un portail de démonstration est lié depuis le billet de lancement.
- Quels sont les inconvénients de Dharma Field Extractor ?
- Ni poids publics, ni API, ni prix; benchmark, métrique et comparaison sont tous de Dharma-AI; entrée image uniquement ; le traitement des PDF n'est pas décrit; les anciens poids Dharma ne sont licenciés que pour un usage non commercial.
- À qui s’adresse Dharma Field Extractor ?
- Équipes finance et opérations au Brésil et en Amérique latine qui traitent de gros volumes de tickets, factures et formulaires et sont prêtes à acheter un déploiement privé auprès d'un petit fournisseur.
- Combien coûte Dharma Field Extractor pour une équipe ou en production ?
- Non publié. Le calcul de coût du benchmark de Dharma-AI repose sur une NVIDIA L40S à 2,24 $ l'heure et revendique un coût environ 6 à 147 fois inférieur à GPT-5.6 Luna et GPT-5.6 Sol.
- Dharma Field Extractor est-il sûr pour les données de l’entreprise ?
- Dharma-AI affirme que les clients gardent le contrôle total de leurs données dans leur propre environnement ; conservation, usage pour l'entraînement et certifications ne sont pas publiés. Les poids publics de DharmaOCR-LITE exigent une licence écrite de Dharma-AI S.A. pour un usage commercial, hébergé ou public.
- Quelles sont les meilleures alternatives à Dharma Field Extractor ?
- Les alternatives les plus proches que nous avons testées sont GLM-OCR, PaddleOCR-VL-1.6, Mistral OCR 4.1 et Chandra OCR 2.
Réponses vérifiées le 9 nov. 2026.