Um Modelo de IA Menor Treinado numa Única Língua Superou Dois Modelos Maiores e Mais Recentes na Leitura de Português Brasileiro

Pontos-chave

• DharmaOCR obteve 0.925 num teste comparativo de português brasileiro, contra 0.798 do Mistral OCR4 e 0.7587 do Unlimited-OCR.
• Ambos os modelos concorrentes foram lançados após DharmaOCR e apoiados por equipas de investigação maiores.
• DharmaOCR foi treinado em duas fases: primeiro em documentos em português especificamente, depois com feedback comparativo para reduzir erros e minimizar o tempo de computação desperdiçado.
• A diferença foi mais visível em documentos brasileiros reais, como redações do ENEM, o exame nacional do ensino médio do Brasil.
• A concentração é a vantagem estrutural: cada parâmetro aponta para uma única língua em vez de dezenas.

Um pequeno modelo de IA focado acabou de superar dois rivais mais recentes e melhor financiados na leitura de texto em português brasileiro. A margem não foi pequena.

DharmaOCR, um modelo de OCR (software que lê texto a partir de documentos digitalizados e imagens e o converte em palavras editáveis) construído especificamente para português brasileiro, obteve 0.925 num teste comparativo dedicado a português. Mistral OCR4 obteve 0.798. Unlimited-OCR obteve 0.7587. Isto é uma diferença de 13 a 16 pontos percentuais a favor da ferramenta mais antiga e especializada.

Os investigadores partilharam os seus resultados no Hugging Face, a plataforma onde as equipas de IA publicam modelos e artigos. AI2Day cobriu primeiro DharmaOCR em 16 de julho de 2026.

Porque é que um modelo mais especializado venceu?

A especialização venceu porque cada parâmetro apontava para o mesmo alvo. Um modelo multilingue distribui a sua capacidade por várias línguas; um modelo de uma única língua concentra-a numa única linguagem, num conjunto de convenções ortográficas, numa família de formatos de documentos.

DharmaOCR foi construído em duas fases. A primeira fase treinou-o em documentos em língua portuguesa em vários formatos e níveis de complexidade, alinhando os seus pesos internos ao vocabulário brasileiro e às estruturas de documentos. A segunda fase aplicou uma técnica chamada Direct Preference Optimization (DPO), onde o modelo aprendeu não apenas qual era a resposta correta, mas qual das duas saídas concorrentes era preferível. DPO abordou um problema diferente da precisão: suprimiu os modos de falha em que as ferramentas de texto IA entram em ciclos, travam ou produzem resultados distorcidos, reduzindo tanto as taxas de erro como os custos de inferência.

Preciso e estável. Ambas as fases foram necessárias.

Deve os erros de nomes surpreendê-lo?

A evidência mais clara veio das redações do ENEM, provas de exame manuscritas que misturam escrita cursiva com vocabulário e referências culturais específicas do Brasil.

Mistral OCR4 leu o nome Chico Buarque, um músico e poeta brasileiro amplamente reconhecido, como "Chico Barque". Unlimited-OCR renderizou esse mesmo nome como "chico bique" e transformou uma citação de Buarque em quase gibberish. DharmaOCR leu ambos corretamente.

Nomes famosos não são casos extremos. Lê-los erradamente significa que um modelo não passou tempo suficiente neste espaço linguístico particular, e é um indicador confiável do que acontecerá nos seus documentos quando o vocabulário se tornar específico.

Perguntas frequentes

Isto significa que modelos menores são sempre melhores?

Não. Um modelo menor vence aqui porque a tarefa é específica. Se precisa de uma ferramenta que lide com uma dúzia de línguas, um modelo multilingue é a escolha prática. A conclusão é que as pontuações de testes comparativos em avaliações amplas não predizem de forma confiável o desempenho nos seus documentos específicos.

O que deve fazer antes de comprar uma ferramenta de IA?

Teste a construída para a sua tarefa exata contra os seus documentos reais. O modelo maior disponível nem sempre vencerá no trabalho que precisa fazer. Isto não é uma crítica aos modelos grandes; é como a especialização funciona.