Ein kleineres, auf einer Sprache trainiertes KI-Modell schlägt zwei größere, neuere Modelle beim Lesen von brasilianischem Portugiesisch
DharmaOCR erzielte bei einem portugiesischen Leseverständnis-Test bessere Ergebnisse als sowohl Mistral OCR4 als auch Unlimited-OCR – und der Grund liegt in der Spezialisierung, nicht in der Größe.
Wichtigste Punkte
- DharmaOCR erreichte einen Wert von 0,925 in einer brasilianischen Portugiesisch-Benchmark, im Vergleich zu 0,798 für Mistral OCR4 und 0,7587 für Unlimited-OCR.
- Beide konkurrierenden Modelle wurden nach DharmaOCR veröffentlicht und von größeren Forschungsteams unterstützt.
- DharmaOCR wurde in zwei Phasen trainiert: zunächst auf portugiesischen Dokumenten im Speziellen, dann durch vergleichendes Feedback, um Fehler zu reduzieren und verschwendete Rechenzeit zu minimieren.
- Der Unterschied war am deutlichsten bei echten brasilianischen Dokumenten wie ENEM-Aufsätzen, der nationalen brasilianischen Abiturprüfung.
- Konzentration ist der strukturelle Vorteil: jeder Parameter konzentriert sich auf eine Sprache statt auf Dutzende.
Ein kleines, spezialisiertes KI-Modell hat gerade zwei neuere, besser ausgestattete Konkurrenten beim Lesen von Text in brasilianischem Portugiesisch übertroffen. Der Abstand war nicht knapp.
DharmaOCR, ein OCR-Modell (Software, die Text aus gescannten Dokumenten und Bildern liest und in bearbeitbare Wörter konvertiert) und speziell für brasilianisches Portugiesisch entwickelt, erreichte einen Wert von 0,925 in einer dedizierten Portugiesisch-Benchmark. Mistral OCR4 erzielte 0,798. Unlimited-OCR erzielte 0,7587. Das ist ein Abstand von 13 bis 16 Prozentpunkten zugunsten des älteren, spezialisierteren Werkzeugs.
Die Forscher teilten ihre Ergebnisse auf Hugging Face, der Plattform, auf der KI-Teams Modelle und Arbeiten veröffentlichen. AI2Day berichtete zunächst über DharmaOCR am 16. Juli 2026.
Warum hat ein spezialisiertes Modell gewonnen?
Spezialisierung gewann, weil jeder Parameter auf das gleiche Ziel ausgerichtet war. Ein mehrsprachiges Modell verteilt seine Kapazität auf mehrere Sprachen; ein einseitig ausgerichtetes Modell konzentriert sie auf ein Vokabular, eine Reihe von Rechtschreibkonventionen, eine Familie von Dokumentformaten.
DharmaOCR wurde in zwei Phasen entwickelt. Phase eins trainierte es auf portugiesischsprachigen Dokumenten über verschiedene Formate und Komplexitätsstufen hinweg, wobei seine internen Gewichtungen an das brasilianische Vokabular und Dokumentstrukturen angepasst wurden. Phase zwei wendete eine Technik namens Direct Preference Optimization (DPO) an, bei der das Modell nicht nur die richtige Antwort, sondern auch welche von zwei konkurrierenden Ausgaben vorzuziehen ist, lernte. DPO adressierte ein anderes Problem als Genauigkeit: es unterdrückte die Fehlermuster, bei denen KI-Texttools wiederholen, einfrieren oder verstümmelte Ausgaben erzeugen, wodurch sowohl Fehlerquoten als auch Inferenzkosten gesenkt wurden.
Genau und stabil. Beide Phasen waren notwendig.
Sollten Sie die Namensfehler überraschen?
Der deutlichste Beweis kam von ENEM-Aufsätzen, handschriftlich verfassten Prüfungsarbeiten, die Schreibschrift mit brasilianischem Vokabular und kulturellen Bezügen mischen.
Mistral OCR4 las den Namen Chico Buarque, einen weithin anerkannten brasilianischen Musiker und Dichter, als „Chico Barque". Unlimited-OCR gab denselben Namen als „chico bique" wieder und verwandelte ein Buarque-Zitat in nahezu Unsinn. DharmaOCR las beides korrekt.
Berühmte Namen sind keine Spezialfälle. Sie falsch zu lesen deutet darauf hin, dass ein Modell nicht genug Zeit in diesem bestimmten sprachlichen Raum verbracht hat, und ist ein zuverlässiges Zeichen dafür, was mit Ihren Dokumenten passiert, wenn das Vokabular spezifischer wird.
Häufig gestellte Fragen
Bedeutet das, dass kleinere Modelle immer besser sind?
Nein. Ein kleineres Modell gewinnt hier, weil die Aufgabe eng begrenzt ist. Wenn Sie ein Werkzeug benötigen, das ein Dutzend Sprachen verarbeitet, ist ein mehrsprachiges Modell die praktische Wahl. Die Erkenntnis ist, dass Benchmark-Werte bei breiten Bewertungen die Leistung bei Ihren spezifischen Dokumenten nicht zuverlässig vorhersagen.
Was sollten Sie tun, bevor Sie ein KI-Werkzeug kaufen?
Testen Sie das für Ihre genaue Aufgabe entwickelte Modell anhand Ihrer tatsächlichen Dokumente. Das größte verfügbare Modell wird nicht immer bei der erforderlichen Arbeit gewinnen. Das ist kein Kritikpunkt an großen Modellen; so funktioniert Spezialisierung.
