SmolDocling - 轻量级的多模态文档处理模型

SmolDocling是什么

SmolDocling（SmolDocling-256M-preview ）是高效轻量级的多模态文档处理模型。能将文档图像端到端地转换为结构化文本，支持文本、公式、图表等多种元素识别，适用于学术论文、技术报告等多类型文档。模型参数量仅 256M，推理速度快，A100 GPU 上每页处理仅需 0.35 秒，与 Docling 完全兼容，可导出多种格式。

SmolDocling的主要功能

多模态文档转换：能将图像文档高效转换为结构化文本，支持科学和非科学文档。
快速推理：在 A100 GPU 上处理一页文档仅需 0.35 秒，使用不到 500MB 的显存。
OCR 与布局识别：支持光学字符识别（OCR），保留文档结构和元素的边界框。
复杂元素识别：能识别代码块、数学公式、图表、表格等复杂文档元素。
与 Docling 无缝集成：支持将结果转换为多种格式（如 Markdown、HTML 等），兼容 Docling。
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 是仅包含 256M 参数的视觉语言模型，专为文档光学字符识别（OCR）和转换而设计。能在消费级 GPU 上快速处理文档，使用不到 500MB 的显存，每页文档的处理时间仅需 0.35 秒。
视觉骨干网络：模型采用了 SigLIP base patch-16/512 作为视觉骨干网络，网络参数量为 93M，能高效地处理图像输入。通过像素压缩技术，每个 512×512 的图像块被压缩为 64 个视觉标记，显著降低了计算资源需求。
文本编码器：SmolDocling-256M-preview 使用 SmolLM-2 作为文本编码器，编码器参数量为 135M，能处理文本输入并与视觉信息进行融合。
多模态融合与输出：模型能接收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，包括将文档图像转换为结构化文本、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：SmolDocling-256M-preview 的训练数据集包括科学和非科学文档，文档理解占比达到 41%。训练过程中采用了更高的像素标记率（4096 像素/标记），相比之前的 1820 像素/标记，显著提升了效率。

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 能高效地将图像形式的文档转换为结构化的文本格式，同时保留文档的原始布局和复杂元素（如代码块、数学公式、图表等）。支持多种输出格式，包括 Markdown、HTML 等，适用于文档的数字化处理。
科学与非科学文档处理：能处理非科学内容（如商业文档、专利文件等）。识别和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：SmolDocling-256M-preview 提供高效的光学字符识别（OCR）功能，能从图像中准确提取文本，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 可以在移动设备或资源受限的环境中运行，例如智能手机或便携式计算机。