模型更新，不代表每個特定任務都會自動變好。Dharma-AI 三個月前發表 DharmaOCR 論文並開源其中一個模型（Dharma-OCR-LITE，4B 的 Image-Text-to-Text 模型），目標只有一個：巴西葡萄牙文的 OCR。這三個月內，Mistral OCR4 與 Unlimited-OCR 兩個更新、資源更充沛的模型相繼上場。7 月 16 日，Dharma-AI 發布比較文章，把三家模型放上同一份葡萄牙文文件集。先講清楚證據屬性：benchmark 由 Dharma 團隊自行設計、僅圍繞 Portuguese，這是廠商自評，不是獨立第三方評測。但它回答的問題對每個要選 OCR 的團隊都成立：發布日期與領域訓練，哪個才是主導變數？
三個月後的對決：沒有免費的勝利
分數先攤開：DharmaOCR 拿 0.925，是該基準上最高的 extraction 品質分數，且 degeneration 率最低；Mistral OCR4 得 0.798，Unlimited-OCR 得 0.7587，分別落後約 13 分與超過 16 分。值得注意的是時間軸：兩個對手都發表於 DharmaOCR 之後。新，沒有換來這個語言域上的勝利。
| 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 的訓練分兩階段，各自處理不同的問題。第一階段是 supervised fine-tuning，語料來自來源、格式、複雜度各異的 Portuguese 文件。這一步的效果是把模型的 representational capacity 集中到目標語言，而不是稀釋在多語空間裡：同一份參數預算，全部花在葡萄牙文的詞彙、句法與文件結構上。
第二階段採用 Direct Preference Optimization（DPO），訓練信號來自競爭輸出之間的偏好資料。關鍵是它解決的問題：不是準確率（accuracy），而是穩定性（stability）。DPO 抑制了重複與不連貫輸出這類 failure modes，附帶效果是推論時間與成本下降，生產可靠性提升。SFT 建立域內能力，DPO 確保這個能力在模型容易失敗的條件下仍然守得住——兩個階段缺一不可。
逐 token 預測為何會漂移：DPO 的機制
要理解 DPO 為什麼有效，得先看 SFT 的結構性弱點。SFT 的目標是逐 token 預測：一旦早期 token 在模糊視覺訊號下偏離原文，後續所有預測都以「已偏離的狀態」為條件，錯誤便自我強化，形成重複迴圈。這不是隨機噪音，而是訓練目標決定的漂移路徑。
DPO 的訓練信號不同：它以完整輸出的一致性為單位，而不是單一 token 的準確率。模型學會在完整擷取結果的層級上比較好壞，於是在視覺複雜的文件上，比較不容易踏入那條一去不回的漂移路徑。兩階段剛好對上兩個層次：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
最有說服力的證據來自 ENEM（巴西高中會考）的手寫作文。Mistral OCR4 把巴西最知名的音樂人與詩人之一 Chico Buarque 誤轉為「Chico Barque」，Unlimited-OCR 則轉成「chico bique」。同一個名字，兩家模型、兩種錯法，而且都不是冷僻詞——Chico Buarque 是全國性的人物。錯誤也不止於名字：面對 Chico Buarque 的句子「O Brasil não exclui, assimila」（巴西不排斥，它同化），Unlimited-OCR 轉出「a dose de chico bique, ‘o Brasil no exclu, eliminila.’」，連引文的結構都一併丟失。
這說明錯誤不是隨機的：多語模型的錯誤集中在 Brazilian Portuguese 特有的詞彙與專有名詞上，正是把這個語言從更大的多語語料中區分出來的那些字。錯誤集中在哪裡，本身就是診斷訊號。
Text Degeneration 才是生產級問題
一般的轉錄錯誤與 text degeneration 是兩個不同類別的失敗。前者與原文仍有對應關係，找得到、修得了；後者發生在視覺訊號模糊的時候——小字體、劣化掃描、密集手寫——generative OCR 會從先驗模式繼續生成，產出與頁面無關的內容。文中展示 Mistral OCR4 對小字體文件的輸出與原文完全無關，這不是低品質轉錄，是另一種失敗。
對生產環境而言差別是結構性的：degenerated 輸出沒有可修正的對象。送進文件分類、資訊抽取、合規流程後，它是結構上不可用的資料，不是可以被 pipeline 修掉的雜訊。
專精的結構邏輯，與作者的自我設限
Dharma-AI 的核心主張不是「我們永遠領先」，而是一條結構邏輯：有限的參數分配到多個域，會稀釋單一域的投入；neuron superposition 允許參數複用，但不逆轉這個取捨。作者甚至明說：未來更新的模型，很可能連在 Brazilian Portuguese 上也超越現行 DharmaOCR——這是預期，不是風險。專精的優勢不在守住排行榜位置，而在資源集中帶來的槓桿；源檔明言這個結構動態不會逆轉。至於資源何時該移往新領域，是本文的取捨建議，非源文主張。
Builder 檢查清單
選 OCR 模型時，別只看平均分數，四件事值得寫進自己的評測：第一，用自家文件建測試集，覆蓋實際的版型與品質分布；第二，記錄 degeneration——低品質掃描下是否產生無來源文字；第三，看專有名詞錯誤的集中度，那指向模型的域外弱點；第四，確認失敗模式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達標，不必為專用而專用；但如果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 這個案例真正可遷移的方法論。
參考來源
本文由 AI 協助自上述來源整理，經人工審核後發布。