Dharma-AIは、構造化されたOCRに特化した小規模言語モデル「DharmaOCR Lite」（30億パラメータ）を発表した[出典1]。同モデルは、ブラジルポルトガル語の文書抽出に特化したベンチマークにおいて、Claude Opus 4.6やGPT-4oといった大規模な商用APIを上回る0.911のスコアを達成した[huggingface.co][arxiv.org][出典5]。さらに、運用コストは最先端の商用APIと比較して約52分の1に抑えられ[出典6][出典7]、テキスト劣化率も0.20%と極めて低い安定性を示した[huggingface.co][出典8]。この結果は、小規模モデルが特定のタスクにおいて性能とコスト効率の両面で巨大モデルを凌駕する可能性を示している。
Dharma-AIの研究は、モデルのトレーニング履歴が展開タスクに一致する「分布の整合性」が、生のパラメータ数よりもタスクパフォーマンスの決定要因として強力であると指摘している[出典6][出典8]。DharmaOCRは、教師ありファインチューニング（SFT）と直接選好最適化（DPO）の2段階のパイプラインを採用している。SFTで文書ドメインに適応させ、JSON出力構造を強制し、DPOで構造的なテキスト劣化を削減する手法により、劣化率を類似モデル比で87.6%削減した[arxiv.org]。汎用的な巨大モデルの「広さ」ではなく、特定の業務における「深さ」が性能を左右する時代へと移行しつつある。
企業AI戦略は大きな転換点を迎えている。「パラメータ数の多いフロンティアモデルこそが賢い選択肢」という信念は、もはや時代遅れであると見られる[出典6]。Dharma-AIの研究は、特定のタスクに特化させることで、より優れた性能とコスト効率を達成できることを示唆している[出典7][出典8]。今後は、ベンダーのカタログスペックに依存するのではなく、自社のドメイン知識をいかに効率よくモデルに注入し、特定のタスクに最適化させるかという「チューニングの質」が競われるだろう。AIの調達担当者は、自社のデータとタスクに最適化されたモデルをどう構築するか、戦略的な再考を迫られている。
ただし、この特化型モデルの優位性がOCR以外の複雑な推論や創造的タスクにおいても再現可能かについては、今後の検証が必要である。Dharma-AIの研究はOCRタスクにおける生産安定性と効率の改善を示したが[出典6][出典8]、汎用的なタスクにおいて小規模特化型モデルが大規模汎用モデルを凌駕し続けるかは不明瞭である。また、特化型モデルの構築に必要なファインチューニングの工数と、商用API利用時の運用コストを比較した際のROI（投資収益率）も重要な検討課題となる。企業は、初期投資と長期的な運用コスト、そして性能のバランスを慎重に見極める必要がある。