IBM與Hugging Face聯手推出開源文檔解密神器SmolDocling

在计算机科学领域，文档转换一直是个难题。传统方法要么依赖复杂流程，要么使用资源消耗巨大的多模态模型。最近，IBM和Hugging Face联手推出了**SmolDocling**，这是一个仅有**256M**参数的开源视觉-语言模型（VLM），旨在端到端地解决多模态文档转换任务。

SmolDocling的核心优势在于其小巧的体量和高效的处理能力。它通过**DocTags**，一种通用的标记格式，精确捕捉页面元素、结构和空间上下文。基于Hugging Face的**SmolVLM-256M**架构，SmolDocling采用优化的tokenization和视觉特征压缩方法，显著降低了计算复杂性。它能够处理整个文档页面，在消费级GPU上平均每页仅需0.35秒，且仅消耗不到500MB的显存。

在性能测试中，SmolDocling表现出色。在全页文档OCR任务中，它的准确率显著高于许多体量更大的模型。在公式转录和代码片段识别方面，SmolDocling也达到了行业领先水平。此外，它还能处理各种复杂文档元素，如代码、图表、公式和不同布局的文档，为大规模部署提供了经济高效的解决方案。

SmolDocling的发布标志着文档转换技术的重大突破，展示了紧凑型模型在关键任务中的潜力。通过创新的训练方法和标记格式，SmolDocling为OCR技术树立了新的效率和多功能性标准，并为社区提供了宝贵的资源。