Nouveaux modèles, même avantage : la spécialisation de DharmaOCR surpasse les architectures plus récentes en portugais

Les chercheurs à l'origine du modèle de reconnaissance optique de caractères DharmaOCR pour le portugais brésilien l'ont comparé aux modèles plus récents Mistral OCR4 et Unlimited-OCR. Bien que ces deux derniers représentent des architectures techniquement plus avancées, avec des méthodes d'entraînement et des ensembles de données inédits, DharmaOCR a obtenu un score de 0,925 contre 0,798 pour Mistral OCR4 et 0,7587 pour Unlimited-OCR dans un test de référence ciblant exclusivement le portugais. L'avantage est attribué à la spécialisation : DharmaOCR n'a été entraîné que sur le portugais brésilien, concentrant toutes ses ressources sur ce domaine linguistique, tandis que les modèles plus récents sont multilingues et doivent répartir leurs capacités entre de nombreuses langues. De plus, l'étape d'Optimisation Directe des Préférences (Direct Preference Optimization) dans le pipeline d'entraînement de DharmaOCR a réduit la dégénérescence du texte, où le modèle commence à générer des sorties répétitives incohérentes sur des images floues. Les modèles multilingues commettent souvent des erreurs caractéristiques spécifiques au vocabulaire portugais et aux noms propres ; par exemple, Mistral OCR4 a transformé le nom du célèbre musicien brésilien Chico Buarque en "Chico Barque", et Unlimited-OCR en "chico bique". Selon les auteurs, la spécialisation reste un avantage structurel qui ne disparaîtra pas avec l'avènement d'architectures plus récentes tant que les ressources d'entraînement sont limitées.