SmolDocling – 轻量级的多模态文档处理模型
SmolDocling是什么
SmolDocling(SmolDocling-256M-preview)是一款高效且轻量化的多模态文档处理模型,能够将文档图像转换为结构化文本。该模型支持识别文本、公式、图表等多种元素,广泛适用于学术论文、技术报告等各种类型的文档。其参数量仅为256M,推理速度极快,在A100 GPU上处理每页文档仅需0.35秒,并与Docling兼容,能够导出多种格式。
SmolDocling的主要功能
- 多模态文档转换:高效将图像文档转化为结构化文本,适用于科学和非科学文献。
- 快速推理:在A100 GPU上,每页文档处理时间仅需0.35秒,显存使用不到500MB。
- OCR与布局识别:具备光学字符识别(OCR)功能,能够保持文档结构和元素的边界框。
- 复杂元素识别:识别代码块、数学公式、图表和表格等复杂文档要素。
- 与Docling无缝集成:支持将结果导出为多种格式(如Markdown、HTML等),与Docling完全兼容。
- 指令支持:支持多种指令,如将页面转换为Docling格式、将图表转换为表格、将公式转换为LaTeX等。
SmolDocling的技术原理
- 轻量级设计:SmolDocling-256M-preview仅包含256M参数,专为文档光学字符识别(OCR)和转换而设计,能在消费级GPU上高效处理文档,处理每页文档的时间仅需0.35秒。
- 视觉骨干网络:采用SigLIP base patch-16/512作为视觉骨干网络,参数量为93M,能够高效处理图像输入,通过像素压缩技术将每个512×512的图像块压缩为64个视觉标记,显著降低计算资源需求。
- 文本编码器:使用SmolLM-2作为文本编码器,参数量为135M,处理文本输入并与视觉信息融合。
- 多模态融合与输出:可接收图像和文本的多模态输入,生成结构化文本输出,支持多种文档处理功能,如将文档图像转为结构化文本、提取图表和表格信息、将数学公式转换为LaTeX格式等。
- 优化的数据集与训练策略:训练数据集涵盖科学与非科学文档,文档理解占比达到41%。训练过程中采用更高的像素标记率(4096像素/标记),显著提升处理效率。
SmolDocling的项目地址
- HuggingFace模型库:https://huggingface.co/ds4sd/SmolDocling-256M-preview
- arXiv技术论文:https://arxiv.org/pdf/2503.11576
SmolDocling的应用场景
- 文档转换与数字化:SmolDocling-256M-preview能够高效将图像形式的文档转化为结构化文本,同时保留文档的原始布局及复杂元素(如代码块、数学公式、图表等)。支持多种输出格式,包括Markdown、HTML等,非常适合文档的数字化处理。
- 科学与非科学文档处理:能够处理各类非科学内容(如商业文档、专利文件等),高效识别并提取文档中的关键信息,如公式、图表和表格。
- 快速OCR与布局识别:提供高效的光学字符识别(OCR)功能,准确从图像中提取文本,同时保留文档的结构和元素边界框。
- 移动与低资源设备支持:SmolDocling-256M-preview可在移动设备或资源受限的环境中运行,如智能手机或便携式计算机。
© 版权声明
文章版权归作者所有,未经允许请勿转载。
相关文章
暂无评论...