SmolDocling— 轻量级的多模态文档处理模型

smoldocling：轻量级多模态文档处理利器

SmolDocling-256M-preview 是一款高效、轻量级的多模态文档处理模型，能够将文档图像直接转换为结构化文本。它支持文本、公式、图表等多种元素识别，适用于学术论文、技术报告等各种类型的文档。该模型参数量仅为 256M，推理速度极快，在 A100 GPU 上每页处理时间仅需 0.35 秒，并与 Docling 完全兼容，支持多种格式导出。

SmolDocling 主要功能：

• 高效的多模态文档转换: 将图像文档快速转换为结构化文本，涵盖科学和非科学文档。
• 闪电般的推理速度: A100 GPU 上单页处理时间仅 0.35 秒，显存占用不到 500MB。
• 精准的 OCR 和布局识别: 具备强大的光学字符识别 (OCR) 功能，同时保留文档结构和元素边界框。
• 复杂元素的全面识别: 能够识别代码块、数学公式、图表、表格等复杂元素。
• 与 Docling 的完美兼容性: 支持多种输出格式 (例如 Markdown、HTML)，并与 Docling 系统无缝集成。
• 强大的指令支持: 支持多种指令，例如将页面转换为 Docling 格式、图表转换为表格、公式转换为 LaTeX 等。

SmolDocling 技术原理：

SmolDocling-256M-preview 凭借其轻量级设计，在消费级 GPU 上也能高效运行。其核心技术包括：

• 轻量级视觉语言模型: 模型参数量仅 256M，专为文档 OCR 和转换而设计。
• 高效的视觉骨干网络: 采用 SigLIP base patch-16/512 作为视觉骨干网络 (93M 参数)，并通过像素压缩技术提高效率。
• 强大的文本编码器: 使用 SmolLM-2 作为文本编码器 (135M 参数)，实现视觉和文本信息的有效融合。
• 多模态融合与输出: 能够处理图像和文本的多模态输入，生成结构化的文本输出，支持多种文档处理功能。
• 优化的训练策略: 使用包含科学和非科学文档的数据集进行训练 (文档理解占比 41%)，并采用更高的像素标记率 (4096 像素/标记) 提升效率。

SmolDocling 项目地址：

• HuggingFace 模型库: https://www.php.cn/link/544217b77264db8da81cfe0dac39ec0a
• arXiv 技术论文: https://www.php.cn/link/544217b77264db8da81cfe0dac39ec0a

SmolDocling 应用场景：

• 文档数字化: 高效地将图像文档转换为结构化文本，保留原始布局和复杂元素。
• 科学及非科学文档处理: 处理各种类型的文档，并提取关键信息。
• 快速 OCR 和布局识别: 提供快速准确的 OCR 功能，并保留文档结构。
• 移动设备及低资源环境支持: 可在移动设备或资源受限的环境中运行。