Saltar al contenido
Fuentes. Contexto. Criterio.SEÑALIA SIN RUIDOBoletín gratis
martes, 17 de noviembre de 2026
ModelosNoticia · 2 min de lecturaAnuncio de la empresaConfianza media

Dharma-AI presenta un modelo de 2B parámetros que extrae campos de documentos en JSON

La firma brasileña, que publica en el blog de Hugging Face, afirma que supera a cuatro configuraciones de frontera en su propio benchmark a coste muy inferior

Redacción automática SEÑALResponsable editorial: Sergio SallaveraEl hecho: 4 nov 2026

Dharma-AI ha presentado Field Extractor, un modelo de 2.000 millones de parámetros que convierte imágenes de documentos en JSON con los campos pedidos, sin ajuste por tipo de documento. La empresa afirma en el blog de Hugging Face que supera a cuatro configuraciones de frontera en su propio benchmark con coste entre 6 y 147 veces menor, cifras sin contraste independiente.

Qué ha ocurrido

Dharma-AI, una empresa brasileña especializada en modelos pequeños para OCR (reconocimiento óptico de caracteres), ha anunciado Field Extractor en un artículo publicado el 4 de noviembre en el blog de Hugging Face. El modelo recibe una imagen de documento y devuelve un JSON con los campos detectados: tipos, claves anidadas y listas ordenadas, por ejemplo cada línea de una factura con su cantidad e importe.

Funciona en dos modos. En modo abierto, el modelo decide qué partes del documento son campos estructurados y devuelve todo lo que encuentra como pares clave-valor. En modo esquema, el usuario define los campos exactos con su tipo (texto, número o booleano) y las claves que usa su sistema. Si un campo pedido no aparece en el documento, el modelo devuelve null en lugar de inventar un valor, según la empresa.

La base es DharmaOCR-LITE v1.1, una versión de 2.000 millones de parámetros optimizada del modelo de su artículo de abril, sobre la que han entrenado un adaptador LoRA (una técnica de ajuste que añade pesos ligeros sin reentrenar el modelo completo) con 43.384 ejemplos.

Los datos cubren tres corrientes: documentos en inglés de dominios variados, documentos brasileños reales en portugués y una porción menor en otros idiomas europeos y asiáticos.

Por qué importa

Dharma-AI publica sus cifras de comparación: un benchmark propio de 546 documentos y 1.638 casos contra cuatro configuraciones de LLM generalistas de frontera. Su modelo obtiene 0,834 de puntuación (una F1 a nivel de campo ponderada por similitud de valores y por la proporción de JSON válido), frente a 0,816 de Claude Opus 5, el mejor citado, y 0,741 de GPT-5.6 Luna, el peor.

En coste, la empresa cifra la ventaja entre 6 y 147 veces menos, comparando el precio por token de las APIs frente al tiempo de GPU en autoalojamiento (una L40S a 2,24 dólares la hora). El propio artículo aclara que no es un precio de venta y que el coste autoalojado depende del hardware y del volumen.

El argumento de fondo es la especialización: un modelo pequeño entrenado para una tarea cerrada puede rendir más que un modelo de frontera generalista en esa tarea, la misma tesis que Dharma-AI defendió con DharmaOCR para OCR en portugués brasileño.

La parte verificable de forma independiente es limitada: el benchmark es propio, los datos brasileños son internos y la licencia del modelo base (DharmaOCR Lite Noncommercial License 2026) exige acuerdo escrito para uso comercial. SROIE y FUNSD, dos conjuntos públicos usados en la evaluación, quedan excluidos del entrenamiento según la empresa.

Qué cambió

AntesExtraer campos concretos de documentos requería OCR más código propio de mapeo, o un LLM de frontera con prompt cuidado a precio de API.
AhoraDharma-AI ofrece un modelo de 2B que devuelve JSON con el esquema pedido, en dos modos (abierto o por esquema), según su benchmark con más calidad y menos coste que cuatro configuraciones de frontera.
ConsecuenciaLa opción existe y se puede probar, pero su licencia no comercial y el origen propio del benchmark dejan la decisión de adopción en espera de contraste.

Qué sabemos · qué no

Confirmado

  • El artículo se publicó en el blog de Hugging Face el 4 de noviembre de 2026, firmado por cuatro autores de Dharma-AI.
  • El modelo tiene 2.000 millones de parámetros, parte de DharmaOCR-LITE v1.1 y usa un adaptador LoRA entrenado con 43.384 ejemplos.
  • Acepta dos modos de petición: abierto (devuelve todos los campos que detecta) y por esquema (devuelve exactamente las claves pedidas, con null si el campo no existe).
  • El benchmark declarado cubre 546 documentos y 1.638 casos, y SROIE y FUNSD se usaron solo en evaluación, no en entrenamiento.

Todavía no

  • No hay verificación independiente del benchmark ni del ranking contra Claude Opus 5 y GPT-5.6: todas las cifras proceden de Dharma-AI.
  • No está claro si el checkpoint del Field Extractor es descargable con las mismas condiciones que el modelo base, cuya licencia (Noncommercial License 2026) exige licencia escrita para cualquier uso comercial o empresarial.
  • La tasa de error en producción, la latencia por página y el rendimiento fuera del dominio de facturación y formularios no aparecen en el artículo.
  • Los datos brasileños del entrenamiento son documentos reales internos, por lo que la composición exacta del conjunto no es auditable.

La misma claridad, en tu correo.

IA HOY, gratis de lunes a viernes, con fuentes y contexto.

Para ir al grano técnico

Qué vigilamos ahora

Si Dharma-AI publica el benchmark y los datos de evaluación para que terceros los repliquen, y si el checkpoint del extractor queda disponible con licencia y condiciones de uso claras.

Fuentes

Naturaleza de la afirmación principal: Anuncio de la empresa. Información respaldada por fuentes, con aspectos pendientes de contraste.

  1. Hugging Face Blog — Dharma-AI · nivel 1 · primaria · consultada 5 nov 2026
  2. Dharma-AI/Dharma-OCR-LITE · Hugging Face · nivel 1 · primaria · consultada 5 nov 2026

Más sobre

IA HOY · de lunes a viernes

La misma claridad,
cada día, en tu correo.

Una noticia principal, una selección breve y el contexto o las dudas que conviene seguir. Con fuentes y sin rellenar cupos.

Ver una edición de ejemplo

Para seguir leyendo