※本記事は一次情報をもとにAI支援によって構成・作成し、事実関係の照合を行っています。
発表内容（事実）
2026年11月5日、Hugging Faceは文書から構造化データを抽出する20億パラメータのモデル「Dharma Field Extractor」を発表しました。文書の画像を入力し、抽出したいフィールドの要求や正確なスキーマを指定することで、型指定されたJSON形式のデータを返却します。本モデルは、単一のチェックポイントであらゆる文書種別を処理可能であり、文書ごとのファインチューニングを不要としています。
抽出モードには、スキーマを指定せずにモデルが文書からフィールドを判断する「Open」モードと、型やキー名を指定する「Schema-directed」モードの2種類が用意されています。ベースモデルには「DharmaOCR-LITE v1.1」が採用されており、LoRAアダプターを用いて英語、ブラジルポルトガル語、多言語の3つのストリームからなる43,384件の訓練データで学習が行われています。
この記事のポイント
- 文書画像から必要なフィールドを抽出してJSON形式で出力する20億パラメータのモデルです。
- スキーマを指定しない「Open」モードと、指定したキーや型に合わせる「Schema-directed」モードの2つの方法で要求が可能です。
- ベースモデルにDharmaOCR-LITE v1.1を使用し、LoRAアダプターを組み合わせて学習されています。
- 英語、ブラジルポルトガル語、その他の欧州・アジア言語を含むマルチドメインの訓練データが活用されています。
考察（筆者の見解）
事実: Dharma Field Extractorは20億パラメータのモデルであり、OCR処理されたテキストではなく、文書画像を入力として受け取り、JSONを出力します。訓練データには英語、ブラジルポルトガル語、その他の欧州・アジア言語のデータが含まれており、多様な文書に対応しています。
推測: 従来の汎用LLM APIと比較して、パラメータ数を20億に抑えたドメイン特化型モデルであることから、大規模な文書処理を行う業務においてコスト削減とレイテンシの改善に寄与する可能性があります。
意見: 筆者は、OCR後のマッピングコード作成やプロンプトエンジニアリングの手間を削減できる点において、実務のデータ入力自動化パイプラインにおいて有用な選択肢になると考えます。
コメント