DharmaOCR batte Mistral OCR4 e Unlimited-OCR sul portoghese brasiliano
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Un modello specializzato e addestrato in due fasi supera architetture più recenti grazie a fine-tuning mirato e Direct Preference Optimization.
DharmaOCR supera Mistral OCR4 e Unlimited-OCR nella trascrizione di documenti in portoghese brasiliano. Il vantaggio non nasce da un’architettura più recente, ma da specializzazione e addestramento mirato1. Le fonti disponibili non includono numeri di confronto né dimensioni dei dataset; descrivono però le scelte di metodo e l’esito sui documenti brasiliani1.
Il progetto punta a un obiettivo unico: riconoscere testo in portoghese brasiliano. Non copre più lingue. Non insegue la generalità. La definizione del perimetro guida tutto il lavoro, dai dati alla valutazione1.
L’addestramento segue due mosse integrate. Prima, un fine-tuning supervisionato su una raccolta ampia e varia di documenti in portoghese. Fonti, formati e livelli di complessità diversi, per allineare i pesi a lessico, sintassi e strutture tipiche del Brasile. Poi, la Direct Preference Optimization. Il modello non apprende solo da trascrizioni etichettate come corrette, ma da coppie di uscite in competizione, con una preferita. Questo introduce un segnale comparativo che insegna a scegliere in modo coerente l’estrazione valutata migliore in inferenza1.
Il caso smentisce una scorciatoia frequente: aggiornare l’architettura non basta a migliorare un OCR su un dominio ristretto. Qui contano la specializzazione linguistica e il modo in cui i dati orientano l’apprendimento. Il fine-tuning concentrato riduce ambiguità dovute a uno spazio multilingue più ampio. La DPO affina la scelta tra alternative plausibili. Insieme, spiegano perché un modello focalizzato sul portoghese brasiliano prevale su soluzioni più generali in questo compito1.
Gli autori parlano esplicitamente di “newer architectures” e collegano il guadagno alla scelta del perimetro e al segnale di preferenza. L’affermazione resta circoscritta: riguarda i documenti brasiliani considerati e i sistemi citati. Mancano metriche di accuratezza, WER o dimensioni dei dataset nelle informazioni pubbliche; le conclusioni si basano sul confronto riportato, non su una tabella di punteggi1.
Tre mesi fa è uscito un paper su DharmaOCR, con il rilascio open source di uno dei modelli. L’articolo che accompagna il codice spiega la pipeline e documenta il comportamento osservato rispetto ai baselines menzionati1.
Implica un cambio di priorità per chi costruisce OCR di dominio: investire in dati e in segnali di preferenza può produrre più valore dell’inseguire l’ultima architettura generalista. Per il portoghese brasiliano, questa strategia ha fatto la differenza contro Mistral OCR4 e Unlimited-OCR. Resta da vedere se lo stesso approccio reggerà su altri formati e lingue, quando saranno disponibili confronti con metriche e dataset espliciti1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.