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： 1753

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：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-06-11

AI提效99.5%！英国政府联手 Gemini，破解城市规划审批困局

2025-06-10

多模态 RAG VS 传统文本 RAG ，到底效果如何，从应用视角来测试下

2025-06-10

实战复盘 | 基于视觉模型的多模态 RAG 系统，我们踩过的坑与收获 (项目已开源)

2025-06-05

多模态模型在RagFlow中的应用

2025-06-04

清华首创多模态+知识图谱+RAG，问答精准度超 94%

2025-05-30

Deepseek 多模态来解析图片，结合上下文分析pdf文档

2025-05-28

Lovart再次证明：AI不是卖工具而是卖成果

2025-05-27

Dolphin-API：字节Dolphin多模态文档解析模型API化全攻略

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

深度体验 Lovart：这才是AI Design Agent！设计领域终于迎来了它们的「神」

2025-05-14

GPT-4o 生图实测：很强（附：20+场景示例 & 缺陷整理）

2025-03-26

一文搞懂多模态视觉大模型（CLIP和SAM）

2025-03-21

大模型赋能CAD图纸智能识别与集成实战指南

2025-04-27

ollama 大版本0.7 发布，新引擎支持多模态模型

2025-05-16

Veo 2正式登陆Google AI Studio了——实在太疯狂了！

2025-05-08

3D 小白亲测：用 Trae + Blender MCP 从零开始 AI 建模（附踩坑指南）

2025-04-28

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

看见设计的未来：Lovart 全球首个设计 Agent 体验

2025-05-13

全球首款设计Agent，Lovart在海外大火，马斯克亲自点赞

2025-05-15

大家都在问

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

我为什么要卸载DeepSeek ？

2025-03-02

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