超越聊天机器人：用模型自身失败样本做 DPO，文本退化率最高降 87.6%

DharmaOCR 团队将 Direct Preference Optimization（DPO）用于结构化 OCR 任务，把正确转录设为 chosen、重复退化循环设为 rejected，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%，最高降幅达 87.6%（Nanonets-OCR2–3B 从 1.61% 降至 0.20%）。