超越聊天机器人：用模型自身失败样本做 DPO 抑制 OCR 文本退化

DharmaOCR 团队将 Direct Preference Optimization（DPO）用于结构化 OCR 任务，以正确转录为 chosen、退化循环为 rejected 构建偏好数据，在 SFT 之后追加第二阶段训练，使所有测试模型家族的文本退化率平均下降 59.4%，最高降幅 87.6%（Nanonets-OCR2-3B 从 1.61% 降至 0.20%）。