DharmaOCR снижает долю деградации текста на 59,4% с помощью DPO
Оригинальный заголовок:Direct Preference Optimization Beyond Chatbots
ИИ-резюме
Выпущенная в апреле DharmaOCR (структурированная OCR-модель) при извлечении данных из документов на бразильском португальском использует прямое оптимизацию предпочтений (DPO) как второй этап обучения после контролируемой тонкой настройки (SFT). SFT не может напрямую штрафовать деградацию текста (повторяющиеся циклы), а DPO использует собственные неудачные выходы модели (циклы деградации) как негативные примеры для обучения предпочтениям, что снижает долю деградации текста в среднем на 59,4% во всех протестированных семействах моделей и до 87,6% (например, Nanonets-OCR2-3B — с 1,61% до 0,20%). Обычно DPO применяется для выравнивания чат-моделей; эта работа расширяет его на объективные задачи OCR, доказывая, что DPO может целенаправленно исправлять конкретные режимы сбоев.
Ключевые моменты
- Выпущенная в апреле DharmaOCR (структурированная OCR-модель) при извлечении данных из документов…
- SFT не может напрямую штрафовать деградацию текста (повторяющиеся циклы),а DPO использует…
- Обычно DPO применяется для выравнивания чат-моделей
- эта работа расширяет его на объективные задачи OCR,доказывая,что DPO может целенаправленно…
Кратко
- Опубликовано
- Обновлено
- Источник
- Hugging Face 社区博客(混合发现)
- Категория
- Туториалы и советы
- Оценка ИИ
- 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。
Источник и авторские права
Статья основана на отобранных заголовках и ИИ-резюме из открытого API AIHOT с указанием источника и обратными ссылками. Авторские права на оригинал принадлежат исходным изданиям и авторам; сайт не воспроизводит полные тексты.
Как цитировать
При цитировании сохраняйте заголовок, дату и постоянную ссылку, указывая источник: Orange News.
Orange News: DharmaOCR снижает долю деградации текста на 59,4% с помощью DPO. 3 июня 2026. https://new.nat6.net/ru/news/cmpy47xxi01kislax812354vk/