Mô hình AI chuyên dụng trích xuất trường dữ liệu từ tài liệu với chi phí thấp hơn các API tiên phong

Hugging Face đã phát hành Dharma Field Extractor, một mô hình trí tuệ nhân tạo chuyên dụng được thiết kế để trích xuất các điểm dữ liệu cụ thể từ tài liệu và xuất chúng dưới dạng JSON có cấu trúc. Được công bố vào ngày 4 tháng 11 năm 2026, công cụ 2 tỷ tham số này nhằm mục đích thay thế các mô hình ngôn ngữ lớn (LLM) đa năng đắt đỏ cho các tác vụ xử lý tài liệu khối lượng lớn. Bản phát hành này đánh dấu sự chuyển dịch sang các mô hình nhỏ hơn, chuyên biệt cho từng tác vụ, mang lại độ chính xác cao hơn và chi phí vận hành thấp hơn cho các quy trình làm việc doanh nghiệp.

Điều gì đã xảy ra

Mô hình mới giải quyết một nút thắt phổ biến trong tự động hóa tài liệu: chuyển đổi các bản quét không có cấu trúc thành các bản ghi cơ sở dữ liệu có thể sử dụng. Trong khi các công cụ nhận dạng ký tự quang học (OCR) có thể đọc mọi từ trên trang, chúng không hiểu những phần văn bản nào tương ứng với các trường kinh doanh cụ thể như tổng tiền hóa đơn hoặc tên bệnh nhân. Trước đây, các đội ngũ thường dựa vào các LLM tiên phong đa năng để diễn giải văn bản này, nhưng các mô hình này thường chậm và tốn kém khi xử lý hàng nghìn tài liệu mỗi ngày. Dharma Field Extractor tiếp cận theo cách khác bằng cách tập trung hoàn toàn vào việc trích xuất trường dữ liệu, bỏ qua nhu cầu tạo ra các bản tóm tắt văn bản đầy đủ.

Công cụ này hoạt động ở hai chế độ để đáp ứng các nhu cầu tích hợp khác nhau. Ở chế độ mở (open mode), nó phân tích tài liệu mà không cần schema định trước, xác định các cặp khóa-giá trị và bảng biểu dựa trên bố cục và ngữ cảnh. Ở chế độ hướng dẫn bởi schema (schema-directed mode), người dùng cung cấp một cấu trúc cụ thể với tên trường và kiểu dữ liệu được định nghĩa rõ ràng. Sau đó, mô hình điền chính xác vào cấu trúc này, trả về giá trị null cho thông tin bị thiếu thay vì "ảo giác" (hallucinate) dữ liệu. Điều này đảm bảo đầu ra sẵn sàng để nạp ngay lập tức vào các hệ thống hạ nguồn như ERP hoặc cơ sở dữ liệu tuân thủ mà không cần thêm mã làm sạch dữ liệu.

Chi tiết chính

• Mô hình chứa 2 tỷ tham số, được tối ưu hóa từ checkpoint DharmaOCR-LITE v1.1 trước đó.
• Quá trình huấn luyện bao gồm 43.384 ví dụ trải rộng trên các bộ dữ liệu tiếng Anh, tiếng Bồ Đào Nha và đa ngôn ngữ khác.
• Các bài kiểm tra benchmark bao phủ 546 tài liệu, tạo ra tổng cộng 1.638 trường hợp trích xuất.
• Nó đạt điểm F1 cấp trường dữ liệu là 0,834, vượt qua Claude Opus 5 (0,816) và GPT-5.6 Luna (0,741).
• Chi phí vận hành ước tính thấp hơn từ 6 đến 147 lần so với các lệnh gọi API tiên phong tương đương.
• Mô hình chạy trên hạ tầng tự chủ (self-hosted), chẳng hạn như một GPU L40S duy nhất, tránh việc tính phí theo token.

Bối cảnh

Để hiểu tầm quan trọng của bản phát hành này, cần phân biệt giữa OCR tiêu chuẩn và trích xuất thông minh. Các engine OCR truyền thống chuyển đổi pixel hình ảnh thành chuỗi văn bản máy đọc được, giữ lại ngắt dòng nhưng mất đi ý nghĩa ngữ nghĩa. Một con người hoặc thuật toán tinh vi vẫn phải xác định rằng số "150.00" bên cạnh từ "Total" là số tiền phải trả. Các LLM đa năng có thể thực hiện suy luận này bằng cách đọc đầu ra của OCR, nhưng chúng được thiết kế cho các tác vụ hội thoại rộng, không phải để phân tích dữ liệu chuyên biệt. Sự không khớp này dẫn đến độ trễ cao hơn và việc sử dụng tài nguyên tính toán không cần thiết cho các công việc trích xuất đơn giản.

Các mô hình ngôn ngữ nhỏ chuyên dụng (SLM) như Dharma được huấn luyện trên các miền hẹp bằng các kỹ thuật như fine-tuning có giám sát và tối ưu hóa sở thích trực tiếp (direct preference optimization). Bằng cách giới hạn phạm vi của mô hình vào các cấu trúc tài liệu như hóa đơn, giấy tờ tùy thân và biểu mẫu, các nhà phát triển có thể đạt được độ chính xác cao hơn với ít tham số hơn. Cách tiếp cận này phù hợp với xu hướng đang phát triển của AI chủ quyền (sovereign AI), nơi các tổ chức chạy mô hình trên phần cứng riêng để duy trì quyền riêng tư dữ liệu và kiểm soát chi phí, thay vì phụ thuộc vào các nhà cung cấp API bên ngoài.

Tại sao điều này quan trọng

Đối với các đội ngũ quản lý stack phần mềm tự chủ, sự phát triển này cung cấp một lộ trình khả thi để giảm sự phụ thuộc vào các API AI bên ngoài. Việc chạy một mô hình 2 tỷ tham số trên phần cứng cục bộ cho phép các công ty xử lý tài liệu nhạy cảm mà không cần gửi dữ liệu đến máy chủ của bên thứ ba. Điều này rất quan trọng đối với các ngành như y tế và tài chính, nơi quy định tuân thủ hạn chế việc di chuyển dữ liệu. Khả năng định nghĩa các schema nghiêm ngặt cũng giảm bớt gánh nặng kỹ thuật trong việc viết các parser tùy chỉnh cho mỗi loại tài liệu mới đi vào hệ thống.

Hiệu quả chi phí là một động lực chính khác cho việc áp dụng. Dữ liệu benchmark cho thấy việc tự chủ mô hình này có thể rẻ hơn đáng kể so với việc trả tiền theo token cho các mô hình tiên phong, đặc biệt là ở quy mô lớn. Đối với các doanh nghiệp xử lý hàng trăm hóa đơn hoặc hợp đồng mỗi ngày, khoản tiết kiệm sẽ tích lũy nhanh chóng. Hơn nữa, khả năng trả về JSON hợp lệ một cách nhất quán của mô hình có nghĩa là ít lỗi hơn trong các ứng dụng hạ nguồn, giảm nhu cầu xác minh thủ công và làm lại.

Bạn có thể làm gì

• Đánh giá pipeline xử lý tài liệu hiện tại của bạn để xác định các tác vụ mà LLM chung đang được sử dụng cho việc trích xuất trường dữ liệu đơn giản.
• Thử nghiệm demo Dharma Field Extractor trên Hugging Face với các tài liệu mẫu của riêng bạn để đánh giá độ chính xác.
• Định nghĩa các schema JSON rõ ràng cho các loại tài liệu phổ biến nhất của bạn, chẳng hạn như hóa đơn hoặc thẻ căn cước, để kích hoạt trích xuất theo schema.
• Tính toán tổng chi phí sở hữu (TCO) cho việc chạy một instance GPU nhỏ so với chi phí API hiện tại của bạn cho AI tài liệu.
• Cân nhắc tích hợp các mô hình chuyên dụng vào hạ tầng tự chủ của bạn để cải thiện chủ quyền dữ liệu và giảm độ trễ.
• Theo dõi các phát triển mã nguồn mở trong lĩnh vực mô hình ngôn ngữ nhỏ để cập nhật các công cụ chuyên dụng mới cho các tác vụ ngách.