Hugging Face 博客：Direct Preference Optimization 如何超越聊天机器人场景

DharmaOCR 团队用 DPO 作为 SFT 之后的第二阶段训练，在巴西葡萄牙语结构化 OCR 任务上把文本退化率平均降低 59.4%，最佳案例降低 87.6%（Nanonets-OCR2–3B 从 1.61% 降至 0.20%）。