DharmaOCR supera i modelli più recenti nell'OCR per portoghese brasiliano

DharmaOCR, un modello specializzato di riconoscimento ottico dei caratteri per il portoghese brasiliano, supera i modelli generalisti più recenti Mistral OCR4 e Unlimited-OCR nei benchmark in portoghese. Il modello ottiene un punteggio di qualità di estrazione di 0,925 contro 0,798 e 0,7587 rispettivamente. Il suo vantaggio deriva da un processo di addestramento in due fasi: messa a punto supervisionata su documenti in portoghese seguita da Ottimizzazione Diretta delle Preferenze per garantire stabilità. Il modello gestisce correttamente riferimenti culturalmente specifici come Chico Buarque, che i concorrenti hanno letto erroneamente. Il principio strutturale è che la specializzazione concentra risorse finite su un singolo dominio, producendo risultati superiori anche rispetto ad architetture più grandi e recenti. I risultati dei benchmark confermano che l'addestramento specifico per dominio rimane vantaggioso con l'avanzare dell'IA.