Ce qui s'est passé
Hugging Face a publié Dharma Field Extractor, un modèle de 2 milliards de paramètres conçu pour une corvée très précise : tu lui dis quels champs tu veux, tu lui balances n'importe quel document, et il te rend exactement ces champs en JSON. Pas de dissertation, pas de commentaire, juste des données structurées qu'un système en aval peut avaler tout cru.
L'argument de vente, dans les mots de l'équipe : il surpasse tous les LLM de pointe qu'ils ont testés, pour une fraction du coût. C'est une affirmation du vendeur, signée par ceux qui l'ont construit. Le benchmark reste donc le leur tant que personne d'autre ne l'a reproduit.
Le modèle fait suite à DharmaOCR-LITE, sorti en avril. Celui-là était spécialisé dans l'OCR sur les contrats, les actes de procédure, les factures, les pièces d'identité et les formulaires. Le papier qui l'accompagnait défendait une idée simple : un petit modèle entraîné au plus près de sa tâche peut battre les API généralistes de pointe sur cette tâche.
Pourquoi ça compte
OCR et extraction, ce n'est pas le même métier. L'OCR te rend tout ce qui est imprimé sur la page, ligne par ligne, fidèle à la mise en forme d'origine. Parfait pour numériser un manuscrit ou lire un contrat de bout en bout.
Mais la plupart des pipelines métier ne veulent pas la page. Ils veulent le nom du patient, le type d'examen et la date d'une demande médicale, prêts à planifier. Ils veulent chaque ligne d'une facture sous forme de liste. Ils veulent les champs d'une pièce d'identité rangés dans les colonnes d'une fiche employé.
Passe ces documents dans un OCR classique et tu obtiens un mur de texte sans le moindre indice sur la chaîne qui correspond au type d'examen. Quelqu'un, ou quelque chose, doit encore faire le tri.
Un petit modèle entraîné pour un seul boulot vient chasser les gros généralistes sur le terrain de ce boulot.
C'est de l'incrémental, pas une révolution. Les modèles spécialisés sont désormais monnaie courante. Mais c'est exactement comme ça que le logiciel mange le travail de back-office : discrètement, pas cher, un formulaire à la fois.
Qu'est-ce que tu en fais
- Fais l'audit de ta paperasse.Liste les documents que ton équipe retape à la main, puis note quels champs comptent vraiment.
- Lis le billet de blog.Le texte de Hugging Face explique la méthode et la comparaison avec les modèles de pointe.
- Fais ton propre test.Balance-lui tes documents réels les plus moches et compare avec l'API que tu paies aujourd'hui, en précision comme en prix.
- Fais le calcul des coûts.Si l'extraction tourne en gros volume, petit modèle spécialisé contre API de pointe, c'est là que la discussion budget commence.
Ciao, sapiens. Les robots viennent pour la saisie de données, mais au moins ils ne râleront pas sur les factures.


