DharmaOCR logra mayor calidad y estabilidad en la extracción que Mistral OCR4 y Unlimited-OCR en portugués de Brasil gracias al entrenamiento específico del dominio.

  • DharmaOCR obtuvo 0.925 en un benchmark centrado en portugués, en comparación con 0.798 para Mistral OCR4 y 0.7587 para Unlimited-OCR.
  • El modelo utiliza ajuste fino supervisado (SFT) para alinearse con el vocabulario del portugués de Brasil y Optimización Directa de Preferencias (DPO) para reducir la degeneración de las salidas.
  • Los modelos multilingües exhiben errores sistemáticos en nombres propios como "Chico Buarque" y producen texto incoherente en documentos complejos debido a la distribución de parámetros entre idiomas.
  • El entrenamiento especializado de DharmaOCR concentra todos los parámetros en el dominio objetivo, asegurando un rendimiento consistente donde los modelos más amplios fallan.

La especialización proporciona una ventaja medible sobre arquitecturas más nuevas al dedicar recursos finitos a un solo idioma en lugar de distribuirlos entre muchos.