IBM：SmolDocling精准解析复杂PDF 超轻量端到端多模态文档解析模型

IBM 研究院和 HuggingFace 共同开发的超轻量级视觉语言模型 SmolDocling，专门用于端到端的多模态文档转换。该模型仅拥有 2.56 亿参数，通过一种名为 DocTags 的新型标记格式，能够精确捕捉文档的布局、结构以及复杂的视觉元素。相比于庞大的现有模型，它在处理表格、公式、代码片段和图表等专业内容时表现出了极高的效率和竞争力。此外，作者还贡献了一系列高质量的开源数据集，以弥补当前文档理解领域训练数据的不足。实验证明，SmolDocling 显著降低了计算资源消耗，同时在转换精度上超越了许多体积大得多的同类模型。这种紧凑型的架构为实现低成本、高性能的自动化文档解析开辟了新路径。