💡
原文中文，约2300字，阅读约需6分钟。
📝
内容提要
IBM发布了Granite-Docling-258M，这是一个开源视觉语言模型，专注于文档转换，能够准确提取表格、代码和公式，并生成结构化表示。与前版本相比，该模型在布局分析和OCR方面有显著提升，并支持多语言，旨在提高文档处理的效率和准确性。
🎯
关键要点
- IBM发布了Granite-Docling-258M，这是一个开源视觉语言模型，专注于文档转换。
- 该模型能够准确提取表格、代码和公式，并生成结构化表示。
- Granite-Docling在布局分析和OCR方面有显著提升，支持多语言。
- 模型在Hugging Face上发布，提供现场演示和适用于Apple Silicon的MLX构建。
- Granite-Docling是SmolDocling-256M的产品级后继产品，拥有2.58亿个参数。
- 模型在布局分析、全页OCR、代码、公式和表格方面显示出持续的准确率提升。
- Granite-Docling解决了预览模型中的不稳定性故障模式。
- 输出DocTags，旨在实现明确的文档结构，便于转换为Markdown/HTML/JSON。
- 模型在IBM的Blue Vela H100集群上进行训练，使用多种评估指标进行量化改进。
- Granite-Docling实验性地增加了对日语、阿拉伯语和中文的支持，英语仍为主要目标。
- Granite-Docling生成DocTags，保留表格拓扑、内联/浮动数学、代码块和标题。
- 模型可与Transformers、vLLM、ONNX和MLX配合使用，专用MLX版本针对Apple Silicon进行了优化。
- Granite-Docling通过提供更丰富的中间表示，降低推理成本和流程复杂性。
- 该模型标志着结构化文档AI领域的重大进步，结合了多种技术以提供企业级性能。
❓
延伸问答
Granite-Docling-258M的主要功能是什么？
Granite-Docling-258M是一个开源视觉语言模型，专注于文档转换，能够准确提取表格、代码和公式，并生成结构化表示。
Granite-Docling与SmolDocling有什么区别？
Granite-Docling是SmolDocling-256M的产品级后继产品，采用了更强大的Granite 165M语言模型和升级的视觉编码器，具有更高的准确率和稳定性。
Granite-Docling支持哪些语言？
Granite-Docling实验性地增加了对日语、阿拉伯语和中文的支持，但英语仍为主要目标。
Granite-Docling如何提高文档处理的效率？
该模型通过生成DocTags来保留文档结构，降低推理成本和流程复杂性，从而提高文档处理的效率和准确性。
Granite-Docling的训练环境是什么？
Granite-Docling在IBM的Blue Vela H100集群上进行训练，使用多种评估指标进行量化改进。
Granite-Docling的输出格式是什么？
Granite-Docling输出DocTags，这是一种结构化语法，旨在实现明确的文档结构，便于转换为Markdown、HTML或JSON格式。
➡️
