DharmaOCR guna DPO kurangkan kadar degradasi teks sebanyak 59.4%
Tajuk asal:Direct Preference Optimization Beyond Chatbots
Ringkasan AI
DharmaOCR (model OCR berstruktur) yang dilancarkan pada April menggunakan pengoptimuman keutamaan langsung (DPO) sebagai peringkat latihan kedua selepas penalaan halus penyeliaan (SFT) dalam tugas pengekstrakan dokumen bahasa Portugis Brazil. SFT tidak dapat menghukum degradasi teks (gelung berulang) secara langsung, manakala DPO menggunakan output kegagalan model sendiri (gelung degradasi) sebagai sampel negatif untuk latihan keutamaan, mengurangkan kadar degradasi teks semua keluarga model yang diuji secara purata sebanyak 59.4%, dengan penurunan tertinggi 87.6% (contohnya Nanonets-OCR2-3B menurun daripada 1.61% kepada 0.20%). DPO tradisional kebanyakannya digunakan untuk penjajaran sembang; kerja ini memperluaskannya kepada tugas OCR objektif, membuktikan DPO boleh membaiki mod kegagalan tertentu secara bersasar.
Maklumat penting
- DharmaOCR (model OCR berstruktur) yang dilancarkan pada April menggunakan pengoptimuman keutamaan…
- SFT tidak dapat menghukum degradasi teks (gelung berulang) secara langsung,manakala DPO…
- 4%,dengan penurunan tertinggi 87.
- 6% (contohnya Nanonets-OCR2-3B menurun daripada 1.
- 61% kepada 0.
Sekilas pandang
- Diterbitkan pada
- Dikemas kini pada
- Sumber
- Hugging Face 社区博客(混合发现)
- Kategori
- Tutorial dan petua
- Skor AI
- 55
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。
Sumber dan hak cipta
Artikel ini disusun berdasarkan tajuk pilihan dan ringkasan AI daripada API awam AIHOT, dengan sumber dinyatakan dan pautan balik disediakan; hak cipta teks asal milik media dan penulis asal, laman ini tidak menyalin penuh teks penuh.
Cara memetik
Apabila memetik artikel ini, kekalkan tajuk, tarikh dan pautan kekal, serta nyatakan sumber sebagai Orange News.
Orange News: DharmaOCR guna DPO kurangkan kadar degradasi teks sebanyak 59.4%. 3 Jun 2026. https://new.nat6.net/ms/news/cmpy47xxi01kislax812354vk/