💡
原文英文，约500词，阅读约需2分钟。
📝
内容提要
IBM研究推出了Granite-Docling-258M，这是一种开源视觉语言模型，专注于高保真文档转文本转换，能够保留复杂的布局和结构。尽管参数仅有2.58亿，但其准确性与更大模型相当，适合文档解析和数据集准备。该模型支持多语言，旨在与Docling库结合，优化企业文档工作流程。
🎯
关键要点
- IBM研究推出Granite-Docling-258M，是一种开源视觉语言模型，专注于高保真文档转文本转换。
- Granite-Docling仅有2.58亿参数，但准确性与更大模型相当，适合文档解析和数据集准备。
- 该模型保留复杂的文档结构，包括数学符号、表格布局和代码块，适合检索增强生成（RAG）管道。
- Granite-Docling基于SmolDocling-256M-preview，采用Granite 3架构和升级的视觉编码器SigLIP2。
- 模型解决了之前的稳定性问题，如令牌重复和解析不完整，得益于改进的数据集过滤和注释清理。
- 社区反应积极，认为该模型适合在设备上使用，低端手机也能实现本地推理。
- Granite-Docling在标准文档理解数据集上的基准结果显示准确性、结构保真度和布局保留的一致改善。
- DocTags是Granite-Docling性能的核心，提供结构化标记格式，描述每个页面元素及其空间和逻辑关系。
- 模型引入了阿拉伯语、中文和日语的实验性多语言支持，未来将扩展全球语言覆盖。
- Granite-Docling旨在与Docling库结合，提供可定制的文档转换管道和智能AI集成。
- IBM计划推出更大的Granite-Docling模型（最多900M参数），扩展评估数据集，并在watsonx.ai中深入集成DocTags。
- Granite-Docling-258M现已在Hugging Face上以Apache 2.0许可证发布。
➡️
