DharmaOCR凭专注巴西葡萄牙语实现OCR精度领先，击败新一代多语言模型

背景与动机

三个月前，DharmaAI 在 arXiv 上发布了《DharmaOCR：面向巴西葡萄牙语的结构化 OCR》论文，并开源了对应模型。该模型的设计初衷是解决巴西葡萄牙语文档在识别准确率和输出稳定性上的长期痛点。随着多模态生成模型的快速普及，市面上出现了诸如 Mistral OCR4、Unlimited-OCR 等新一代通用 OCR 系统，但它们仍然在语言特化场景中表现欠佳。

技术路线

DharmaOCR 采用两阶段训练：

• 监督微调（SFT）：在大规模巴西葡萄牙语文档上进行语言对齐，确保模型对本地词汇、语法和排版特征有深度理解。
• 直接偏好优化（DPO）：利用比较式偏好数据，让模型在完整输出层面学习选择更可靠的文本，显著降低了在视觉噪声下的退化现象。

这种组合既提升了 提取质量，也提升了 生产环境的鲁棒性。

实验结果

在专为巴西葡萄牙语设计的基准上，三大模型的得分如下：

• DharmaOCR：0.925
• Mistral OCR4：0.798（低13分）
• Unlimited-OCR：0.7587（低16分）

“在 ENEM 高考作文等真实文档上，通用模型常把 ‘Chico Buarque’ 误写为 ‘Chico Barque’ 或 ‘chico bique’，而 DharmaOCR 能完整保留人名和文化引用。”

为何专化仍具优势

1. 参数聚焦：专模型将全部参数集中于单一语言与文档类型，避免了多语言模型的资源分散。
2. 降噪能力：DPO 训练直接针对完整输出的质量进行惩罚，抑制了在模糊视觉输入下的文本漂移。
3. 成本效益：在相同算力下，专化模型的推理时间更短、成本更低，适合企业级批量文档处理。

即便新架构提升了整体上限，资源分配的结构性限制仍使专化模型在细分领域保持优势。

前路展望

DharmaAI 表示，将继续将最新的模型创新（如更高效的 LoRA、稀疏 MoE）迁移到巴西葡萄牙语 OCR 上，以保持领先。与此同时，团队也在探索将专化思路复制到其他高价值语言，如西班牙语和印尼语。

“专化不是对抗通用，而是让有限资源产生最大价值。”——DharmaAI 研发负责人

结论

本次评测再次验证了 专注单一语言/任务 的模型在实际业务场景中的竞争力。即便面对更大规模的通用模型，DharmaOCR 仍凭借精准的语言对齐与稳健的输出策略，在巴西葡萄牙语 OCR 市场保持显著优势。企业在采购 OCR 解决方案时，应将 资源聚焦 与 任务匹配度 作为关键评估维度。