新模型，老优势：DharmaOCR 专精葡萄牙语击败更新架构

创建巴西葡萄牙语光学字符识别模型DharmaOCR的研究人员将其与新近的Mistral OCR4和Unlimited-OCR模型进行了比较。尽管后两者代表了技术更先进的架构，采用了新颖的训练方法和数据集，但在仅针对葡萄牙语的基准测试中，DharmaOCR得分为0.925，而Mistral OCR4为0.798，Unlimited-OCR为0.7587。这一优势归因于专业化：DharmaOCR仅使用巴西葡萄牙语进行训练，将所有资源集中在这一语言领域，而更新的模型是多语言的，必须将其能力分配到多种语言中。此外，DharmaOCR训练流程中的直接偏好优化（Direct Preference Optimization）步骤减少了文本退化现象，即模型在模糊图像上开始生成不连贯的重复输出。多语言模型往往在葡萄牙语词汇和专有名词上出现典型的错误；例如，Mistral OCR4将巴西著名音乐家Chico Buarque的名字识别为“Chico Barque”，而Unlimited-OCR则识别为“chico bique”。据作者称，只要训练资源有限，专业化仍然是一种结构性优势，不会随着新架构的出现而消失。