DharmaOCR은 도메인 특화 훈련을 통해 Mistral OCR4 및 Unlimited-OCR보다 브라질 포르투갈어에서 더 높은 추출 품질과 안정성을 달성합니다.

  • DharmaOCR은 포르투갈어 중심 벤치마크에서 0.925점을 기록했으며, Mistral OCR4는 0.798점, Unlimited-OCR은 0.7587점이었습니다.
  • 이 모델은 브라질 포르투갈어 어휘에 맞추기 위해 지도 미세 조정(Supervised Fine-tuning)을 사용하고 출력 열화를 줄이기 위해 직접 선호도 최적화(Direct Preference Optimization, DPO)를 적용합니다.
  • 다국어 모델은 "Chico Buarque"와 같은 고유 명사에서 체계적인 오류를 보이며, 매개변수가 여러 언어에 분산되어 복잡한 문서에서 비일관된 텍스트를 생성합니다.
  • DharmaOCR의 전문 훈련은 모든 매개변수를 대상 도메인에 집중시켜 광범위한 모델이 실패하는 곳에서도 일관된 성능을 보장합니다.

전문화는 한정된 자원을 여러 언어에 분산하는 대신 단일 언어에 전념함으로써 최신 아키텍처보다 측정 가능한 이점을 제공합니다.