IBM 推出轻量级视觉语言模型 Granite-Docling-258M，引领文档处理新变革

近日，IBM 在人工智能领域又迈出了重要的一步，正式发布了小型视觉语言模型 Granite-Docling-258M，为文档处理带来了全新的解决方案。

Granite-Docling-258M 定位于端到端的文件转换场景，采用了 Apache 2.0 开源协议，目前已在 Hugging Face 平台上线。该模型参数量为 2.58 亿，虽然在模型规模上相对小巧，但其在文档处理方面展现出了强大的实力。

与传统的光学字符识别（OCR）技术不同，Granite-Docling-258M 专注于完整保留文档的原始版面结构，能够有效处理表格、数学公式、列表和代码块等复杂元素，在识别精度上更具优势。

Granite-Docling-258M 的核心在于DocTags。这是由 IBM Research 设计的一套通用文件结构标记语言，它可以精准地描述页面中各元素的类型、位置坐标、阅读顺序以及元素之间的逻辑关系。

通过 DocTags，模型能够将内容与版面结构分离，采用 “先定位后识别” 的处理流程。在进行 OCR 识别之前，先确定各个元素的范围，然后再进行识别，大大提升了整体的解析效率。完成识别后，结果可直接输出为 Markdown、JSON 或 HTML 等标准格式，方便用户进行后续的编辑和处理，也可以接入 Docling 工具库进行更深入的操作。

在实际应用中，Granite-Docling-258M 展现出了出色的性能。无论是处理复杂的财务报表、学术论文，还是技术文档，它都能够准确地提取和转换其中的信息，保留原文档的排版和结构，为用户节省了大量的时间和精力。

与传统 OCR 软件相比，Granite-Docling-258M 在识别准确度上有了显著的提升，这对于对文档准确性要求极高的教育、法律、金融等行业来说，无疑是一个重大的利好。它能够更准确地识别文档中的文字、表格和公式等内容，减少人工校对的工作量，提高工作效率和质量。

此外，Granite-Docling-258M 还支持中文、阿拉伯语和日语等多种语言。这使得它在全球范围内具有更广泛的应用场景，能够满足不同地区和语言用户的需求。

Granite-Docling-258M 是在 SmolDocling-256M-preview 模型的基础上进行优化和升级而来的。IBM 对原始的技术架构进行了优化，采用了 Granite165m 语言模型，并将视觉编码器升级为 SigLIP2，同时保留了 idefics3-style 连接器。这些更新使得 Granite-Docling-258M 的参数数量增加到 2.58 亿，在版面分析、全页 OCR、代码、公式和表格处理等方面的性能都有了显著的提升。

同时，IBM 还通过广泛的数据集过滤和清理，解决了 SmolDocling-256M-preview 模型中存在的一些不稳定问题，如偶尔会在页面的某个位置陷入重复标记的循环等。

Granite-Docling-258M 的应用场景非常广泛。在企业办公领域，它可以帮助员工快速准确地处理各种文档，提高办公效率；在教育领域，教师和学生可以利用它来处理教学资料、论文等文档；在金融领域，银行、证券等机构可以用它来处理客户资料、财务报表等重要文件；在法律领域，律师和法官可以借助它来处理法律文书、合同等文档。

IBM 表示，未来将继续对 Granite-Docling-258M 进行优化和完善。一方面，将逐步扩展语言支持范围，让模型能够支持更多的语言，进一步提升其在全球市场的竞争力。另一方面，将增强 DocTags 与旗下 watsonx.ai 模型的兼容能力，进一步将其词汇体系整合进 Granite 系列模型的分词器及训练流程中，以推动文档智能处理能力的整体提升，为用户提供更智能、更便捷的文档处理体验。

Granite-Docling-258M 的开源具有重要的意义。它为全球的开发者提供了一个优秀的文档处理模型，开发者可以基于该模型进行二次开发，将其应用于更多的领域和场景中。同时，开源也促进了人工智能技术的交流和合作，推动了整个行业的发展。

总之，Granite-Docling-258M 的发布是 IBM 在人工智能领域的又一重要成果，它为文档处理带来了新的技术和方法，具有广阔的应用前景和市场潜力。随着技术的不断发展和完善，相信 Granite-Docling-258M 将为人们的工作和生活带来更多的便利和价值。