Model kecil yang fokus masih kalahkan OCR generalis terbaru

Tim di balik DharmaOCR menyampaikan argumen sederhana lengkap dengan angka: untuk tugas dokumen yang sempit, model kecil yang terspesialisasi masih mengalahkan model umum yang lebih baru. Pada benchmark Bahasa Portugis Brasil miliknya, DharmaOCR meraih skor 0,925, dibanding 0,798 untuk Mistral OCR4 dan 0,759 untuk Unlimited-OCR, padahal keduanya rilis belakangan dengan sumber daya lebih besar.

Metodenya dua tahap. Supervised fine-tuning memusatkan kapasitas model pada kosakata dan struktur Bahasa Portugis Brasil, bukan menyebarnya ke banyak bahasa. Lalu Direct Preference Optimization (DPO) melatih model berdasarkan kualitas keseluruhan output, bukan token per token. Tahap kedua ini menyasar satu kegagalan khas: saat scan buram atau berkualitas rendah, model OCR umum cenderung menghasilkan teks yang berulang atau terputus-putus, dan DPO mengajari model tetap koheren. Intinya bukan bahwa skala tak berguna, tetapi pada tugas yang terbatas, memusatkan pelatihan pada domain dan mengoptimalkan kualitas output utuh memberi akurasi yang tidak otomatis dimiliki model yang lebih besar dan lebih baru. Tulisannya bisa dibaca di sini.

Kenapa ini penting

Kalau kamu memilih model untuk membaca dokumen dalam bahasa atau format tertentu, jangan berasumsi model OCR frontier terbaru pasti menang. Model yang lebih kecil tapi dilatih untuk domainmu, dengan DPO agar tetap koheren pada scan jelek, bisa lebih murah sekaligus lebih andal, jadi uji dulu pada dokumenmu sendiri sebelum memutuskan.