Mô hình mới, cùng lợi thế: Chuyên biệt hóa DharmaOCR vượt trội hơn các kiến trúc mới hơn trong tiếng Bồ Đào Nha

Pesquisadores que criaram o modelo de reconhecimento óptico de caracteres DharmaOCR para português brasileiro o compararam com os modelos mais recentes Mistral OCR4 e Unlimited-OCR. Embora ambos os últimos modelos representem arquiteturas tecnicamente mais avançadas, com métodos de treinamento e conjuntos de dados inovadores, o DharmaOCR obteve 0,925 contra 0,798 do Mistral OCR4 e 0,7587 do Unlimited-OCR em um benchmark focado exclusivamente em português. A vantagem é atribuída à especialização: o DharmaOCR foi treinado apenas em português brasileiro, concentrando todos os seus recursos nesse domínio linguístico, enquanto os modelos mais novos são multilíngues e precisam distribuir suas capacidades entre vários idiomas. Além disso, a etapa de Otimização Direta de Preferência no pipeline de treinamento do DharmaOCR reduziu a degeneração textual, onde o modelo começa a gerar saídas repetitivas e incoerentes em imagens borradas. Modelos multilíngues frequentemente cometem erros característicos especificamente no vocabulário e em nomes próprios do português; por exemplo, o Mistral OCR4 transformou o nome do famoso músico brasileiro Chico Buarque em "Chico Barque", e o Unlimited-OCR em "chico bique". Segundo os autores, a especialização continua sendo uma vantagem estrutural que não desaparecerá com o surgimento de arquiteturas mais novas, enquanto os recursos de treinamento forem finitos.