DharmaOCRは、ドメイン固有のトレーニングを通じて、Mistral OCR4やUnlimited-OCRよりもブラジルポルトガル語における抽出品質と安定性で優れています。

  • DharmaOCRはポルトガル語に特化したベンチマークで0.925を達成し、Mistral OCR4は0.798、Unlimited-OCRは0.7587でした。
  • このモデルは、ブラジルポルトガル語の語彙に合わせるために教師ありファインチューニングを使用し、出力の劣化を減らすためにDirect Preference Optimization (DPO)を採用しています。
  • 多言語モデルは「Chico Buarque」のような固有名詞で体系的なエラーを示し、パラメータが複数の言語に分散されるため複雑な文書で非整合なテキストを生成します。
  • DharmaOCRの専門的なトレーニングは、すべてのパラメータを対象ドメインに集中させ、広範なモデルが失敗する場面で一貫したパフォーマンスを保証します。

専門化は、限られたリソースを多数の言語に分散させるのではなく単一の言語に専念させることで、新アーキテクチャに対して測定可能な優位性をもたらします。