摘要： Dharma-AI於7月16日發布比較，宣稱專攻巴西葡萄牙文的DharmaOCR得到0.925，領先更新的Mistral OCR4的0.798與Unlimited-OCR的0.7587。這是廠商自設且僅限Portuguese的評測，不是獨立第三方驗證，但案例說明域內SFT加DPO有助改善抽取品質與穩定性。作者也預期未來更新模型可能超越DharmaOCR，專精優勢不應被當成永久領先。
模型變新，不保證每個特定任務跟著變好。三個月前，Dharma-AI 發表了 DharmaOCR 論文，並開源其中一個模型（Dharma-OCR-LITE，4B 的 Image-Text-to-Text 模型），目標單一而明確：巴西葡萄牙文的 OCR。這三個月間，兩個更新、資源更雄厚的對手陸續登場——Mistral OCR4 與 Unlimited-OCR。7 月 16 日，Dharma-AI 推出比較文章，把三家模型放上同一份葡萄牙文文件集同場較勁。先講明證據的屬性：這份 benchmark 由 Dharma 團隊自己設計、範圍僅限 Portuguese，屬於廠商自評，並非獨立第三方評測。但它回答的問題，對所有要挑 OCR 的團隊都成立：發布日期與領域訓練，誰才是主導變數？
三個月後的對決：沒有免費的勝利
分數先擺上桌：DharmaOCR 拿下 0.925，是該基準上最高的 extraction 品質分數，degeneration 率也最低；Mistral OCR4 為 0.798，Unlimited-OCR 為 0.7587，各自落後約 13 分與超過 16 分。更值得留意的是時間軸：兩個對手的發表時間都在 DharmaOCR 之後。新，並沒有在這個語言域上換到勝利。
| 模型 | 品質分數 | 落後幅度 |
|---|---|---|
| DharmaOCR | 0.925 | —（基準最高，degeneration 最低） |
| Mistral OCR4 | 0.798 | 約 13 分 |
| Unlimited-OCR | 0.7587 | 逾 16 分 |
兩階段訓練：先建域，再補穩定性
DharmaOCR 的訓練走兩個階段，各自治不同的病。第一階段是 supervised fine-tuning，語料取自來源、格式、複雜度都不一致的 Portuguese 文件。這一步的用意，是把模型的 representational capacity 收攏到目標語言上，而非攤薄在多語空間裡：同樣的參數預算，全數投注於葡萄牙文的詞彙、句法與文件結構。
第二階段導入 Direct Preference Optimization（DPO），訓練信號來自競爭輸出之間的偏好資料。重點在於它治的不是準確率（accuracy），而是穩定性（stability）。DPO 壓制了重複輸出、不連貫輸出這類 failure modes，附帶的紅利是推論時間與成本雙降、生產可靠性實質上升。SFT 負責建立域內能力，DPO 負責讓這個能力在模型最容易失守的條件下撐住——兩個階段，誰都省不掉。
逐 token 預測為何會漂移：DPO 的機制
想懂 DPO 為何有效，得先看 SFT 的結構性弱點。SFT 最佳化的是逐 token 預測：只要早期 token 在模糊的視覺訊號下偏離原文，之後的所有預測都以「已經偏離的狀態」為條件，錯誤於是自我強化，最終織出重複迴圈。這不是隨機噪音，而是訓練目標親手鋪好的漂移路徑。
DPO 的訓練信號走另一條路：它以完整輸出的一致性為單位，而非單一 token 的準確率。模型學會在整份擷取結果的層級上分辨好壞，於是遇到視覺複雜的文件時，比較不會一腳踏上那條回不了頭的漂移路徑。兩個階段恰好分工成兩個層次：token 層級的準確，與輸出層級的穩定。
Chico Buarque 變成 Chico Barque：錯誤的形狀
最有說服力的證據出自 ENEM（巴西高中會考）的手寫作文。Mistral OCR4 把巴西最家喻戶曉的音樂人兼詩人之一 Chico Buarque 誤轉成「Chico Barque」，Unlimited-OCR 則拼成「chico bique」。同一個名字、兩家模型、兩種錯法，而它偏偏不是冷僻詞——Chico Buarque 是全國級的人物。錯誤也不只發生在名字上：面對 Chico Buarque 的句子「O Brasil não exclui, assimila」（巴西不排斥，它同化），Unlimited-OCR 給出「a dose de chico bique, ‘o Brasil no exclu, eliminila.’」，連引文的結構都一起弄丟。
這說明錯誤並非隨機撒落的：多語模型的錯誤，密集落在 Brazilian Portuguese 特有的詞彙與專有名詞上——恰恰是把這個語言從更大的多語語料裡區分出來的那些字。錯誤聚集在哪裡，本身就是一個診斷訊號。
Text Degeneration 才是生產級問題
一般的轉錄錯誤與 text degeneration，屬於兩個不同物種的失敗。前者與原文之間仍保有對應關係，找得到、也修得掉；後者出現在視覺訊號轉趨模糊的時刻——小字體、劣化掃描、密集手寫——generative OCR 會順著先驗模式繼續生成，產出與頁面內容毫無關聯的文字。文中展示 Mistral OCR4 對小字體文件的輸出與原文完全脫鉤：那不是低品質轉錄，而是另一個物種的失敗。
對生產環境來說，這條區別是結構性的：degenerated 輸出根本沒有可修正的對象。一旦流進文件分類、資訊抽取或合規流程，它就是結構上不可用的資料，不是 pipeline 能洗掉的雜訊。
專精的結構邏輯，與作者的自我設限
Dharma-AI 的核心主張並非「我們永遠領先」，而是一條結構邏輯：有限的參數攤給多個域，必然稀釋單一域的投入；neuron superposition 容許參數複用，卻扭轉不了這個取捨。作者甚至白紙黑字地說：未來更新的模型，很可能連 Brazilian Portuguese 都會超越現行 DharmaOCR——這是預期，不是風險。專精的優勢不在於守住排行榜席位，而在於資源集中所帶來的槓桿；源檔也明言這個結構動態不會逆轉。至於這股槓桿何時該轉向新領域，屬於本文的取捨建議，並非源文主張。
Builder 檢查清單
挑 OCR 模型時，別停在平均分數上，有四件事該寫進自己的評測：第一，用自家文件建測試集，覆蓋實際會遇到的版型與品質分布；第二，記錄 degeneration——低品質掃描會不會催生無來源文字；第三，檢查專有名詞錯誤的集中度，那直指模型的域外弱點；第四，確認失敗模式屬於哪種——是拒絕輸出，還是生成不可用內容。如果通用模型在你的文件集上已經過線，不必為專用而專用；但若錯誤集中在特定語言、版型或術語上，域內 SFT 加 DPO 的兩階段配方，就是 DharmaOCR 這個案例裡真正可遷移的方法論。