DharmaOCR mencapai kualitas ekstraksi dan stabilitas yang lebih tinggi daripada Mistral OCR4 dan Unlimited-OCR pada Portugis Brasil melalui pelatihan spesifik domain.
- DharmaOCR mencetak skor 0,925 pada benchmark berfokus Portugis, dibandingkan dengan 0,798 untuk Mistral OCR4 dan 0,7587 untuk Unlimited-OCR.
- Model ini menggunakan penyetelan halus terawasi (supervised fine-tuning) untuk menyelaraskan dengan kosa kata Portugis Brasil dan Optimisasi Preferensi Langsung (DPO) untuk mengurangi degenerasi output.
- Model multibahasa menunjukkan kesalahan sistematis pada nama diri seperti "Chico Buarque" dan menghasilkan teks yang tidak koheren pada dokumen kompleks karena distribusi parameter di berbagai bahasa.
- Pelatihan khusus DharmaOCR memusatkan semua parameter ke domain target, memastikan kinerja konsisten di mana model yang lebih luas gagal.
Spesialisasi memberikan keunggulan terukur dibandingkan arsitektur baru dengan mendedikasikan sumber daya terbatas pada satu bahasa daripada mendistribusikannya ke banyak bahasa.