Hugging Face publie trois nouveaux modèles OCR open source sous licence Apache 2.0

Hugging Face annonce la publication de trois nouveaux modèles OCR open source sous licence Apache 2.0, dont DharmaOCR, optimisés pour le portugais brésilien.

Ces modèles s’appuient sur une architecture ciblée, conçue pour améliorer la reconnaissance de caractères dans des documents complexes tout en réduisant les erreurs de transcription. Leur entraînement repose sur deux étapes distinctes : un fine-tuning supervisé sur des corpus en portugais brésilien, suivi d’une optimisation par préférences directes (DPO) pour stabiliser les sorties et limiter les répétitions ou incohérences.

Le premier modèle, DharmaOCR, se distingue par une spécialisation linguistique et documentaire, ayant démontré des performances supérieures à Mistral OCR4 et Unlimited-OCR sur des benchmarks dédiés au portugais brésilien. Les deux autres modèles, non nommés dans l’annonce, partagent cette approche pour d’autres cas d’usage spécifiques, bien que les détails techniques restent limités.

Les auteurs soulignent que l’évolution récente des modèles OCR, notamment l’adoption massive de variantes multimodales, n’a pas résolu les problèmes de fiabilité en production. Les erreurs de transcription restent inhérentes aux systèmes probabilistes, mais leur fréquence et leur impact peuvent être atténués par des méthodes comme le DPO, qui améliore la cohérence des résultats sans nécessiter de retraining complet.

Ces modèles sont publiés sous licence Apache 2.0, permettant une réutilisation libre, y compris à des fins commerciales, tout en garantissant l’accès au code source et aux poids des modèles.