DharmaOCR atteint une qualité d'extraction et une stabilité supérieures à celles de Mistral OCR4 et Unlimited-OCR sur le portugais brésilien grâce à un entraînement spécifique au domaine.
- DharmaOCR a obtenu 0,925 sur un benchmark axé sur le portugais, contre 0,798 pour Mistral OCR4 et 0,7587 pour Unlimited-OCR.
- Le modèle utilise un ajustement fin supervisé pour s'aligner sur le vocabulaire du portugais brésilien et une optimisation directe des préférences (DPO) pour réduire la dégradation de la sortie.
- Les modèles multilingues présentent des erreurs systématiques sur les noms propres comme "Chico Buarque" et produisent un texte incohérent sur des documents complexes en raison de la distribution des paramètres entre les langues.
- L'entraînement spécialisé de DharmaOCR concentre tous les paramètres sur le domaine cible, garantissant des performances cohérentes là où les modèles plus larges échouent.
La spécialisation offre un avantage mesurable par rapport aux architectures plus récentes en consacrant des ressources finies à une seule langue plutôt que de les répartir sur plusieurs.