DharmaOCR、Mistral OCR4 を上回る精度を記録──ブラジル・ポルトガル語特化の学習戦略で差別化
最新の汎用多言語モデルが台頭する中、特定言語にパラメータを集中させるドメイン特化型アプローチが、複雑な文書解析において依然として高い優位性を持つことを実証した。
リリース: 2026-07-16 · 読了 5 分記事の要約
1. 核心（What）
- DharmaOCR がブラジル・ポルトガル語特化のベンチマークで 0.925 のスコアを記録。
- 最新の汎用モデルである Mistral OCR4 (0.798) および Unlimited-OCR (0.7587) を大幅に上回る精度を達成。
- ENEM (ブラジル国家試験) の手書き文書等において、汎用モデルが固有名詞を誤認識するのに対し、DharmaOCR は高い正確性を維持。
2. 影響（Why）
- 特化型モデルの構造的優位性: 多言語モデルはパラメータが広範囲に分散されるのに対し、特定言語に絞ったモデルは全パラメータをその言語の語彙・形態素解析に集中できるため、複雑な文書での認識精度が向上する。
- 国内 SaaS 開発者への示唆: 日本語や特定業界の専門用語が頻出する文書解析を扱う国内の Vertical SaaS 事業者は、LLM の汎用性能に頼るよりも、ドメイン特化のファインチューニングと DPO を組み合わせたパイプラインを構築する方が、本番環境での信頼性を確保しやすい。
3. 根拠・詳細（How）
- 二段階の学習パイプライン: 第 1 段階でブラジル・ポルトガル語の多様な文書を用いた教師ありファインチューニングを実施し、第 2 段階で DPO (Direct Preference Optimization) を適用して出力の安定性を高めた。
- ベンチマーク評価の比較: ブラジル・ポルトガル語に特化した独自ベンチマークにおいて、DharmaOCR (0.925) と Mistral OCR4 (0.798) を比較し、固有名詞の誤変換率からドメイン知識の欠如を定量化した。
4. 展望・課題（Next）
- 汎用モデルとの性能差: 今後、汎用モデルのパラメータ数や学習データ量が増大する中で、特化型モデルが維持できる優位性の限界と、その維持コストについての追加検証が必要。