새로운 모델, 동일한 이점: 포르투갈어에서 DharmaOCR 특화가 최신 아키텍처를 능가

브라질 포르투갈어용 광학 문자 인식 모델 DharmaOCR을 만든 연구진이 이를 최신 모델인 Mistral OCR4 및 Unlimited-OCR과 비교했습니다. 두 후자 모델은 모두 새로운 학습 방법과 데이터셋을 사용하여 기술적으로 더 진보된 아키텍처이지만, 포르투갈어만을 대상으로 한 벤치마크에서 DharmaOCR은 0.925점을 기록한 반면 Mistral OCR4는 0.798점, Unlimited-OCR은 0.7587점을 기록했습니다. 이러한 우위는 특화 덕분으로, DharmaOCR은 브라질 포르투갈어만 학습하여 모든 자원을 이 언어 영역에 집중한 반면, 최신 모델들은 다국어를 지원하며 많은 언어에 걸쳐 성능을 분산해야 합니다. 또한, DharmaOCR의 학습 파이프라인에 포함된 직접 선호도 최적화 단계는 흐릿한 이미지에서 모델이 일관성 없이 반복적인 출력을 생성하는 텍스트 변질을 줄여줍니다. 다국어 모델들은 특히 포르투갈어 어휘와 고유 명사에서 특징적인 오류를 범하는데, 예를 들어 Mistral OCR4는 유명한 브라질 음악가 시쿠 부아르키의 이름을 'Chico Barque'로, Unlimited-OCR은 'chico bique'로 변환했습니다. 연구진에 따르면, 학습 자원이 한정적인 한 특화는 새로운 아키텍처의 등장에도 사라지지 않는 구조적 장점으로 남을 것입니다.