Hugging Face が Newer Models, Same Advantage を発表 ── 新鋭モデルを凌ぐ「特化型OCR」の真価
最新のOCRモデルは次々と登場しているけど、「特定の言語にどっぷり特化する」アプローチの強さがまだ健在。Dharma-AIのチームが開発したブラジルポルトガル語向けの「DharmaOCR」が、Mistral OCR4などの新鋭モデルを抑えて高いパフォーマンスを示したと話題だ。汎用万能時代における職人技の勝利という感じで、すごく熱い。
▸何が変わったのか
記事で明かされたDharmaOCRの強さの秘密は、2段階のトレーニングパイプラインにある。1段階目は教師ありファインチューニング（SFT）。ブラジルポルトガル語の語彙や文法、文書構造にモデルの重みをガッツリ寄せる。2段階目はDPO（Direct Preference Optimization）。複数の出力結果を比較させるデータで学習させている。これがめちゃくちゃ効いていて、生成AIがやりがちな「同じ言葉を無限に出力する」といった暴走（degeneration）を劇的に抑え込んだ。結果として、ポルトガル語に特化したベンチマークで最高の抽出品質スコアと最低の劣化率を叩き出している。
◈前モデル / 競合との比較
「Mistral OCR4」や「Unlimited-OCR」といった最新アーキテクチャに対して、ブラジルポルトガル語の抽出品質で優位に立った。また、確率的モデル特有の「劣化」を最低限に抑え、推論時間とコストを削減しつつプロダクション環境での信頼性を高めている点が最大の差別化ポイント。
◈技術背景と意義
最近は画像を認識できるマルチモーダルAIの普及で、LLMを使ったOCRが当たり前になった。でも生成モデルの仕組み上、文字を「確率的」に予測しているため、エラーはどうしても出てしまう。ここでの勝負どころは「エラーの量と種類をどうコントロールするか」。DharmaOCRは、特定言語の専門家に仕立て上げる（SFT）ことで精度を引き上げ、さらに「どの出力がマシか」を学習させる（DPO）ことで安全装置を設けている。巨大な万能モデルにはない、尖ったアプローチがハマった好例だ。
▸こんな人・用途に
ブラジルポルトガル語の複雑なフォーマットが含まれる文書を安定して処理したいケース。文字起こしの精度だけでなく、本番環境（プロダクション）での安定動作が死活問題になる企業向けOCRシステムの構築。
SOURCE: Hugging Face (2026-07-16)
