Dharma Field Extractor: نموذج 2B يستخرج حقول JSON بدقة 0.834 وبتكلفة أقل 147 مرة
بقلم علي المنتصر — محلل ومحرر تقني أول
أطلقت Dharma-AI نموذج Dharma Field Extractor بقدرة 2 مليار معامل لاستخراج الحقول المنظمة بصيغة JSON من أي مستند، متجاوزاً Claude Opus 5 وGPT-5.6 Luna بفارق يصل إلى 9.3 نقاط في معيار F1. يعمل النموذج ذاتياً على وحدة L40S بتكلفة 2.24 دولار/ساعة، أي أقل بـ6 إلى 147 مرة من واجهات النماذج الحدودية. يوفر وضعي الاستخراج المفتوح والمُوجَّه بالمخطط مع دعم متعدد اللغات يشمل البرتغالية والإنجليزية.
الموجز الإحصائي السريع
أعلنت شركة Dharma-AI عبر مدونة Hugging Face الرسمية عن إطلاق Dharma Field Extractor، نموذج بقدرة 2 مليار معامل يستخرج الحقول المنظمة بصيغة JSON من أي نوع مستند، ويتفوق على Claude Opus 5 وGPT-5.6 Luna في معيار F1، بتكلفة تشغيل أقل بـ6 إلى 147 مرة. النموذج متاح فوراً للتجربة والتحميل عبر منصة Hugging Face.
📊 بطاقة البيانات والمواصفات التقنية الرسمية
| المحور التقني | البيانات الرسمية المؤكدة |
|---|---|
| 💰 الأسعار وتكلفة الاستخدام | استضافة ذاتية على وحدة NVIDIA L40S بتكلفة 2.24 دولار/ساعة GPU. تكلفة الاستخراج أقل بـ6 مرات من GPT-5.6 Luna و147 مرة من GPT-5.6 Sol. لا يوجد تسعير لكل توكن (غير مُفوتر بالتوكنز). |
| 🌐 المنصات والتوفر الفوري | متاح فوراً على Hugging Face (نموذج + مساحة تفاعلية Space للتجربة). الاستضافة الذاتية على بنية العميل. الموقع الرسمي: dharma-ai.com. |
| ⚡ الأداء ومؤشرات السرعة | درجة F1 على مستوى الحقول: 0.834 مقابل Claude Opus 5 (0.816) وGPT-5.6 Luna (0.741). فارق الجودة: 1.8 إلى 9.3 نقاط. البنشمارك: 546 مستنداً و1,638 حالة اختبار. |
| 🛡️ الأمان ومقاومة الاختراق | نموذج سيادي (Sovereign SSLM) يعمل على البنية التحتية للعميل، مما يضمن عدم خروج البيانات خارج المؤسسة. يعيد null للحقول غير الموجودة بدلاً من اختلاق قيم (مقاومة الهلوسة). |
| 🧠 سياق الذاكرة (Context Window) | لم يُعلن عن حجم نافذة السياق بالتوكنز في البيان الرسمي. النموذج يعالج صورة المستند كاملة ويعيد JSON منظم. |
| 🌍 دعم اللغة العربية والمنطقة | تدريب متعدد اللغات يشمل الإنجليزية والبرتغالية (بيانات برازيلية) ولغات أوروبية وآسيوية. اللغة العربية غير مذكورة صراحة في تدفقات التدريب الثلاثة الرسمية. |
تفاصيل الإعلان والميزات التقنية الجديدة
يُبنى Dharma Field Extractor على نموذج DharmaOCR-LITE v1.1 بقدرة 2 مليار معامل، وهو نسخة محسّنة من النموذج الأصلي (3 مليارات معامل) الذي نُشر في أبريل ضمن ورقة بحثية. جرى تدريب النموذج عبر الضبط الدقيق المُوجَّه (SFT) وتحسين التفضيلات المباشر (DPO)، ثم أُضيف محوّل LoRA مُدرَّب على 43,384 مثالاً تدريبياً يغطي وضعي الاستخراج. تعتمد البيانات على ثلاثة تدفقات: بيانات إنجليزية متعددة المجالات من الويب العام، وبيانات برازيلية برتغالية حقيقية، وبيانات متعددة اللغات تشمل لغات أوروبية وآسيوية.
يقدم النموذج وضعين للاستخراج: الوضع المفتوح (Open) حيث يكتشف النموذج الحقول المنظمة من السياق والتخطيط دون قائمة مسبقة ويعيدها كأزواج مفتاح-قيمة؛ والوضع المُوجَّه بالمخطط (Schema-directed) حيث يحدد المستخدم الشكل الدقيق للحقول بأنواعها (string, number, boolean) بأسماء المفاتيح التي يستخدمها نظامه، ويعيد النموذج null للحقول غير الموجودة بدلاً من اختلاق قيم. هذا يضمن توافقاً تاماً مع أنظمة الاستقبال دون كتابة كود وسيط.
على عينة من فاتورة SROIE، استخرج النموذج 18 حقلاً بدقة تامة، بما في ذلك عنوان الفوترة متعدد الأسطر كحقل واحد، وإرجاع حقلين فارغين كـnull. وعلى نموذج FUNSD، حدد النموذج بدقة مربعاً واحداً محدداً من أصل 12 حقلاً منطقياً Boolean مع مجموعة متداخلة من 5 خيارات فرعية، وقرأ رقم Bates المكتوب بخط اليد بشكل صحيح.
المقارنة المعيارية والأداء التنافسي
شمل البنشمارك 546 مستنداً عبر ثلاثة سيناريوهات طلب (استخراج كامل بدون مخطط، مخطط جزئي، مخطط يتضمن حقولاً غير موجودة) ليبلغ إجمالي 1,638 حالة اختبار. تُحسب الدرجة بضرب F1 على مستوى الحقول (مع مطابقة المسار داخل الجداول) في تشابه Levenshtein للقيم المطابقة، ثم في نسبة المخرجات الصالحة كـJSON. سجل النموذج 0.834 مقابل 0.816 لـClaude Opus 5 (الأقرب) و0.741 لـGPT-5.6 Luna (الأبعد). على صعيد التكلفة، تُقاس أسعار النماذج الحدودية بمتوسط التوكنز المُقاس لكل صفحة (بما فيها توكنز الاستدلال) مقابل التسعير المنشور، بينما تُقاس تكلفة Dharma Field Extractor بزمن GPU على L40S بسعر 2.24 دولار/ساعة.
ماذا يعني هذا للمطور والمستخدم العربي؟ (The Localization Edge)
يمثل النموذج فرصة حقيقية للمطورين العرب لبناء أنظمة أتمتة مستندات سيادية دون الاعتماد على واجهات API أجنبية مكلفة، خاصة في قطاعات الفواتير والوثائق الحكومية والعقود. غياب اللغة العربية صراحة من تدفقات التدريب الرسمية يعني أن المشاريع العربية ستحتاج إلى ضبط دقيق إضافي (Fine-tuning) على بيانات محلية لتحقيق الدقة المثلى، وهو ما يظل مجدياً اقتصادياً مقارنة بتكلفة الـAPI. تكلفة التشغيل المنخفضة (2.24 دولار/ساعة GPU) تجعل النموذج في متناول الشركات الناشئة في المنطقة التي تحتاج معالجة آلاف المستندات يومياً. كما أن إعادة null بدلاً من اختلاق القيم يقلل مخاطر الأخطاء في الأنظمة المالية والقانونية العربية. على صعيد كفاءة التوكنز، يعمل النموذج على مستوى الصورة لا النص، مما يلغي مشكلة تضخم التوكنز في النصوص العربية ويوفر تكلفة معالجة ثابتة لكل صفحة.
الخلاصة والتطلعات القادمة
يقدم Dharma Field Extractor دليلاً إضافياً على أطروحة التخصص: نموذج صغير مُدرَّب قريباً من المهمة يتفوق على نموذج حدودي عام في مهمة محددة وبتكلفة أقل بكثير. مع دعم متعدد اللغات قابل للتوسع عبر الضبط الدقيق، يمهد النموذج الطريق لتبني أوسع للنماذج السيادية في المؤسسات العربية، شريطة إضافة بيانات عربية إلى تدفقات التدريب في الإصدارات القادمة.
المصدر الإعلامي: Hugging Face | البيان الرسمي للشركة: المصدر الأصلي | تدقيق وتحليل البيانات: AI Tools Oasis
أسئلة شائعة
فريق AI Tools Oasis
نقدم لك أحدث الأخبار والتحليلات في عالم الذكاء الاصطناعي بدقة ومصداقية. تابعنا للحصول على كل جديد.
