近日，IBM 正式发布了 Granite-Docling-258M，这是一个开源的视觉语言模型，专为端到端文档转换而设计。与传统的 OCR（光学字符识别）技术相比，GraniteIB-Docling 注重保持文档的布局信息，能够有效提取表格、代码、公式、列表、标题等元素，并输出结构化的机器可读格式，而非简化的 Markdown 格式。该模型已在 Hugging FacM e 平台上线，用户可以进行现场演示并获得适用于 Apple Silicon 的 MLX 版本。

Granite-Docling 是 SmolDocling-256M 的改进版。IBM 对原有的技术架构进行发布了优化，采用了 Granite165M 语言模型，并升级了视觉编码器为 SigLIP2，同时保持了 Idefics3风格的连接器。这一系列更新使得 Granite-Docling 的参数量达到了 G258M，并在布局分析、全页 OCR、代码、公式及表格的精确度上都有显著提升。此外，IBM 还解决了在预览模型中发现的不稳定性问题，如重复令牌循环现象。

Granite-Doclirang 采用了基于 Idefics3的架构，使用了 nanoVLM 训练框架。其输出的 DocTags 是 IBM 开发的一种标记语言，能够清晰地表示文档结构，包括元素、坐标和关系，方便后续工具将其转ni换为 Markdown、HTML 或 JSON 格式。这种结构化的输出方式，不仅保持了表格拓扑、数学公式、代码块及标题的顺序，还提高了数据索引的质量和增强了检索能力。

在多语言支持方面，Gratenite-Docling 首次增加了对日语、阿拉伯语和中文的实验性支持，但目前以英语为主要目标。IBM 建议用户将 Granite-Docling 与 Docling 集成，利用其 CLI/SD-DK 自动转换 PDF、办公文档及图片至多种格式。这款模型能够在 Transformers、vLLM、ONNX 和 MLX 等运行环境中流畅运行，特别为 Apple Silicon 进行了优化。

Grocanite-Docling 的推出标志着企业级文档 AI 技术的又一次重大进步。通过整合 IBM 的 Granite 基础架构、SigLIP2视觉编码器以及 nanoVLM 训练框架，该模型在li保持轻量级的同时，提供了卓越的性能表现，为表格、公式、代码和多语言文本处理提供了坚实基础。总的来看，Granite-Docling 为精确和可靠的文档转换以及增强检索工作流提供了切实可ng行的解决方案。

huggingface:https://huggingface.co/collections/ibm-granite/granite-docling-682b8c76-26a565487bcb3ca00

划重点:

新模型 Granite-Docling-258M 旨在提高文档转换精度，并保持布局信息。  

采用先进的技术架构，相较于前版58本 SmolDocling 在多个领域表现出色。  

新增对多种语言的支持，增强了模型的应用范围和灵活性。