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： 2022

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

2025-12-11

Qwen3-Omni新升级:声形意合，令出智随！

2025-12-11

首发实测智谱 GLM-TTS：3秒克隆我的声音，连「哎等等这bug怎么回事」都学会了

2025-12-11

硅基流动上线智谱视觉模型 GLM-4.6V

2025-12-11

GLM-TTS技术报告：基于多奖励强化学习的可控发音语音合成

2025-12-11

Qwen3-TTS全面升级：声情并茂，语通八方

2025-12-09

Ming-Flash-Omni 音视图文全模态技术报告解读 —— 一为全，全为一

2025-12-07

阿里 Qwen3-TTS 全新上线！支持9种方言+49种音色，连天津味儿都拿捏了！

2025-12-06

微软又上大分！刚刚开源一款 0.5B 轻量级实时 TTS 模型，还能边想边说！

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

手把手教学：用n8n+RSS+飞书实现多平台热点自动抓取（含RSS源分享）

2025-09-19

谁是OCR王者？MinerU、PaddleOCR、DeepSeek-OCR 实测对比，集成一个多模态PDF解析系统

2025-11-10

DeepSeek-OCR 实测

2025-10-22

DeepSeek-OCR多模态数据分析Agent实战

2025-10-31

Qwen3-Omni：一个模型，全能不偏科

2025-09-25

微软又上大分！刚刚开源一款 0.5B 轻量级实时 TTS 模型，还能边想边说！

2025-12-06

多模态AI质检：身份核验场景实践

2025-09-17

Doc-Researcher：多模态文档解析准确率提升3.4倍

2025-11-03

阿里 Qwen3-TTS 全新上线！支持9种方言+49种音色，连天津味儿都拿捏了！

2025-12-07

Gemini 3 多模态Prompt：手相宗师 - 玄师

2025-11-19

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 AI知识库开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB