스캔한 청구서에서 합계, 날짜, 품목을 뽑아내는 일은 지루하고 물량이 많은 작업이어서, 많은 팀이 이제 API로 최첨단 모델에 맡기고 페이지당 비용을 냅니다. 작은 특화 모델을 만드는 Dharma AI는 이 한 가지 작업만을 위해 학습한 20억 파라미터 모델이 더 잘, 그리고 훨씬 싸게 해낸다고 주장합니다. 실제 서류에서도 그렇다면 영수증, 양식, 은행 거래 명세서를 대량으로 처리하는 사람의 계산이 달라집니다.
Field Extractor는 문서 이미지를 읽고 타입이 지정된 JSON을 돌려줍니다. 스키마가 없으면 라벨, 값, 표를 스스로 찾고, 스키마가 있으면 요청한 키만 정확히 문자열, 숫자, 불리언으로 돌려주며, 항목이 없으면 추측 대신 null을 반환합니다. 청구서 품목 같은 중첩 데이터는 순서 있는 목록으로 나옵니다. 기반은 회사 자체의 DharmaOCR-LITE v1.1이며, 영수증, 청구서, 양식, 명세서, 신분증 43,384건으로 학습한 LoRA 어댑터를 더했습니다. 주로 영어와 브라질 포르투갈어 자료입니다.
문서 546개를 각각 세 가지 방식으로 시험해 총 1,638건으로 구성한 Dharma 자체 벤치마크에서 이 모델은 0.834를 기록해 Claude Opus 5의 0.816, GPT-5.6 Luna의 0.741을 앞섰습니다. 세 시나리오 중 하나는 존재하지 않는 항목을 일부러 요구해, 추출 작업에서 흔한 실패인 값 지어내기를 하는지 확인합니다. 비용에 대해 Dharma는 L40S GPU 한 대를 시간당 $2.24로 계산해 GPT-5.6 Luna보다 약 6배, GPT-5.6 Sol보다 약 147배 저렴했다고 말합니다.
저희 Dharma Field Extractor 리뷰는 아직 공개된 가중치도 가격도 없다고 짚었는데, 이번 블로그 글도 이를 바꾸지 않습니다. 언급된 접근 방법은 로그인 포털뿐입니다. 이는 비교에서 중요합니다. 자체 호스팅하는 2B 모델의 매력은 바로 자기 하드웨어에서 돌릴 수 있다는 점인데, 가중치나 API 가 격이 나오기 전까지 비용 우위는 계산일 뿐 실제 제공되는 것이 아닙니다. 이미 Claude Opus 5.5나 GPT-6 Luna로 추출 작업을 하는 팀에게는 당장 옮길 이유가 없습니다.
의문점은 업체가 만든 벤치마크에서 흔한 것들입니다. Dharma가 시험을 만들고 채점 공식을 정했으며 경쟁 모델을 추론 수준 낮음으로 돌렸기 때문에 경쟁 모델이 과소평가되었을 수 있습니다. 자사 비용은 GPU 시간이고 최첨단 모델 비용은 정가이며, Dharma 스스로도 시간당 수치는 판매 가격이 아니라고 밝혔습니다. 학습에서 제외된 데이터셋은 두 개뿐이고, 소개된 예시는 개별 문서입니다. Claude Opus 5와의 차이는 2점이 채 되지 않습니다. 그 차이가 자기 업무에서 실제로 의미가 있는지는 자신의 문서 표본으로 시험해 보는 방법밖에 없습니다.