DharmaOCR демонстрирует более высокое качество и стабильность извлечения данных, чем Mistral OCR4 и Unlimited-OCR, на бразильском португальском языке благодаря обучению в предметной области.
- DharmaOCR набрал 0.925 по специализированному для португальского языка бенчмарку, по сравнению с 0.798 у Mistral OCR4 и 0.7587 у Unlimited-OCR.
- Модель использует контролируемое дообучение (SFT) для согласования с лексиконом бразильского португальского языка и прямую оптимизацию предпочтений (DPO) для снижения деградации выходных данных.
- Многоязычные модели демонстрируют систематические ошибки на собственных именах, таких как "Chico Buarque", и выдают не связанный текст на сложных документах из-за распределения параметров между языками.
- Специализированное обучение DharmaOCR концентрирует все параметры в целевой предметной области, обеспечивая стабильную работу там, где более общие модели терпят неудачу.
Специализация дает измеримое преимущество перед новыми архитектурами за счет выделения конечных ресурсов одному языку, а не их распределения между многими.