DharmaOCR、DPOでテキスト劣化率を59.4%削減
原題:Direct Preference Optimization Beyond Chatbots
AI 要約
4月に発表されたDharmaOCR(構造化OCRモデル)は、ブラジルポルトガル語の文書抽出タスクで、直接選好最適化(DPO)を教師あり微調整(SFT)後の第2トレーニング段階として使用した。SFTはテキスト劣化(繰り返しループ)を直接罰せないが、DPOはモデル自身の失敗出力(劣化ループ)を負例として選好トレーニングを行い、全テストモデルファミリーでテキスト劣化率を平均59.4%、最大87.6%削減した(例:Nanonets-OCR2-3Bは1.61%から0.20%へ)。従来DPOはチャット整合に多く用いられたが、この研究は客観的なOCRタスクに拡張し、DPOが特定の失敗モードを狙って修正できることを示した。
要点
- 4月に発表されたDharmaOCR(構造化OCRモデル)は、ブラジルポルトガル語の文書抽出タスクで、直接選好最適化(DPO)を教師あり微調整(SFT)後の第2トレーニング段階として使用した。
- SFTはテキスト劣化(繰り返しループ)を直接罰せないが、DPOはモデル自身の失敗出力(劣化ループ)を負例として選好トレーニングを行い、全テストモデルファミリーでテキスト劣化率を平均59.
- 6%削減した(例:Nanonets-OCR2-3Bは1.
- 従来DPOはチャット整合に多く用いられたが、この研究は客観的なOCRタスクに拡張し、DPOが特定の失敗モードを狙って修正できることを示した
概要
- 公開日時
- 更新日時
- カテゴリ
- チュートリアル
- AI スコア
- 55
おすすめの理由
DPO 不只能对齐,这篇直接用模型自身的垃圾输出当反例,把 OCR 的重复错误平均降了 59%。思路不复杂,但告诉做结构化生成的工程师:训练数据里最该保留的就是模型犯的错。
出典と著作権
本記事は AIHOT の公開 API が提供する厳選タイトルと AI 要約に基づいており、出典の明記と元記事へのリンクを行っています。原文の著作権は元の媒体と著者に帰属し、当サイトは全文を転載しません。
引用方法
本記事を引用する際は、タイトル・日付・パーマリンクを保持し、出典をOrange Newsと明記してください。
Orange News:DharmaOCR、DPOでテキスト劣化率を59.4%削減。2026年6月3日。https://new.nat6.net/ja/news/cmpy47xxi01kislax812354vk/