DharmaOCR supera modelos mais novos no português brasileiro por meio de especialização

O DharmaOCR alcança maior qualidade e estabilidade na extração do que o Mistral OCR4 e o Unlimited-OCR no português brasileiro por meio de treinamento específico do domínio.

• O DharmaOCR obteve 0.925 em um benchmark focado em português, comparado a 0.798 para o Mistral OCR4 e 0.7587 para o Unlimited-OCR.
• O modelo utiliza ajuste fino supervisionado (SFT) para alinhar-se ao vocabulário do português brasileiro e Otimização Direta de Preferência (DPO) para reduzir a degeneração da saída.
• Modelos multilíngues exibem erros sistemáticos em nomes próprios como "Chico Buarque" e produzem texto incoerente em documentos complexos devido à distribuição de parâmetros entre idiomas.
• O treinamento especializado do DharmaOCR concentra todos os parâmetros no domínio alvo, garantindo desempenho consistente onde modelos mais amplos falham.

A especialização fornece uma vantagem mensurável sobre arquiteturas mais novas ao dedicar recursos finitos a um único idioma em vez de distribuí-los entre muitos.