DharmaOCR 通过领域特定训练，在巴西葡萄牙语上的提取质量和稳定性优于 Mistral OCR4 和 Unlimited-OCR。

  • DharmaOCR 在专注于葡萄牙语的基准测试中得分 0.925，而 Mistral OCR4 为 0.798，Unlimited-OCR 为 0.7587。
  • 该模型使用监督微调 (SFT) 来对齐巴西葡萄牙语词汇，并使用直接偏好优化 (DPO) 来减少输出退化。
  • 多语言模型在 "Chico Buarque" 等专有名词上表现出系统性错误，并因参数在多种语言间的分布而在复杂文档上产生不连贯的文本。
  • DharmaOCR 的专业化训练将所有参数集中在目标领域，确保在更广泛的模型失效时保持一致的性能。

通过将有限的资源专门用于单一语言而不是将其分布在多种语言上，专业化为较新的架构提供了可衡量的优势。