我要投稿

0.35秒OCR整页文档，比Qwen2.5 VL高出10%的文档转换多模态模型！

发布日期：2025-03-24 15:55:03 浏览次数： 1899

作者：PaperAgent

微信搜一搜，关注“PaperAgent”

SmolDocling是一种多模态的图文到文本模型，专为高效的文档转换而设计，目前冲到huggingface热榜2th。

SmolDocling由Docling团队，IBM Research联合推出，其在A100 GPU上平均每页仅需0.35秒，256M参数比Qwen2.5 VL（7B）更高效！

SmolDocling功能特性：

DocTags高效标记 —— 引入DocTags，这是一种与DoclingDocuments完全兼容的高效且简洁的文档表示方式。

光学字符识别（OCR） —— 从图像中准确提取文本。

布局和定位 —— 保留文档结构和文档元素的边界框。

代码识别 —— 检测并格式化代码块，包括缩进。

公式识别 —— 识别并处理数学表达式。

图表识别 —— 提取并解释图表数据。

表格识别 —— 支持结构化表格提取，包括列标题和行标题。

图形分类 —— 区分图形和图形元素。

标题对应 —— 将标题链接到相关图像和图形。

列表分组 —— 正确组织和结构化列表元素。

全页转换 —— 处理整个页面，实现全面的文档转换，涵盖所有页面元素（代码、公式、表格、图表等）。

带边界框的OCR —— 使用边界框进行OCR区域识别。

通用文档处理 —— 针对科学和非科学文档进行了训练。

无缝集成Docling —— 导入Docling并以多种格式导出。

https://hf-mirror.com/ds4sd/SmolDocling-256M-previewhttps://arxiv.org/pdf/2503.11576SmolDocling: An ultra-compact vision-language model for end-to-end multi-modal document conversion

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-09-06

多模态大模型Keye-VL-1.5发布！视频理解能力更强！

2025-09-03

Nano Banana 暴击 GPT-4o 绘图，谷歌赢麻了

2025-09-02

首个Nano-banana企业级多模态RAG教程，适合电商、游戏场景

2025-09-01

MiniMax音频依托MCP协议，打造多模态Tool新标杆!

2025-08-25

给AI装个眼睛——能说、能看、能分享屏幕

2025-08-18

AI 陪伴下半场，「桌宠」或是最好的载体

2025-08-04

GenAI的多模态数据智能平台如何构建？

2025-07-14

探索AI营养师：多模态知识图谱在食品领域大模型问答升级的革命性作用

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

Nano Banana 暴击 GPT-4o 绘图，谷歌赢麻了

2025-09-03

基于 Ollama 多模态引擎的 Qwen 2.5 VL 模型部署及其应用

2025-07-02

MiniMax音频依托MCP协议，打造多模态Tool新标杆!

2025-09-01

探索AI营养师：多模态知识图谱在食品领域大模型问答升级的革命性作用

2025-07-14

Coze、Dify、Ragflow等AI平台对比指南

2025-07-08

Dify v1.4.0中的Multi-Modal LLM Output：基本操作和原理

2025-06-23

Dify落地知识库场景的小思考及多模态RAG结合图像信息的几种策略评估

2025-07-01

搜索 ≠ 简单匹配！0代码实现语义级图文互搜

2025-06-19

多模态商品图文生成系统可落地的完整方案

2025-07-13

RAG知识库构建新框架-EasyDoc小模型+多模态大模型结合的文档智能解析框架

2025-06-30

大家都在问

GenAI的多模态数据智能平台如何构建？

2025-08-04

本地AI对话神奇，ChatWise到底有什么用？

2025-05-26

什么是基于知识图谱的多模态推理？

2025-05-13

AI数字人领域重大突破：告别拼凑式合成，阿里OmniTalker能否开启音视频一体化新时代？

2025-04-08

Midjourney V7全面测评：50组多风格提示词实测，是否还有领先优势?

2025-04-05

如何结合多模态RAG和异步调用实现大模型内容理解？

2025-03-30

Chat GPT文生图不用DALL·E模型了？

2025-03-26

如何构建多模态AI知识库？

2025-03-05

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI 知识管理开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB