上一篇
Cube 3D是什么？一文让你看懂Cube 3D的技术原理、主要功能、应用场景
SmolDocling是什么？一文让你看懂SmolDocling的技术原理、主要功能、应用场景
来源：卓商AI
发布时间：2025-04-05
SmolDocling概述简介
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的功能特色
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 参数的视觉语言大模型，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项目介绍
HuggingFace模型库：https://huggingface.co/ds4sd/SmolDocling-256M-preview
arXiv技术论文：https://arxiv.org/pdf/2503.11576
SmolDocling能做什么？
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。
© 版权声明:本站所有原创文章版权均归卓商AI工具集及原创作者所有，未经允许任何个人、媒体、网站不得转载或以其他方式抄袭本站任何文章。
相关文章
-
CHANGER是什么？一文让你看懂CHANGER的技术原理、主要功能、应用场景2025-04-05 -
Kiroku是什么？一文让你看懂Kiroku的技术原理、主要功能、应用场景2025-04-05
-
Vision Search Assistant是什么？一文让你看懂Vision Search Assistant的技术原理、主要功能、应用场景2025-04-05
-
MVDrag3D是什么？一文让你看懂MVDrag3D的技术原理、主要功能、应用场景2025-04-05
-
Chonkie是什么？一文让你看懂Chonkie的技术原理、主要功能、应用场景2025-04-05
-
MSQA是什么？一文让你看懂MSQA的技术原理、主要功能、应用场景2025-04-05
卓商AI
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
最新发布
1
2
3
4
5
6
7
8
9
10
猜你喜欢
VHire
VHire是一款面向企业的自动化视频面试软件，旨在通过AI技术帮助企业更快速、智能地筛选和评估候选人。它与传统的视频面试工具相比，如Zoom，能够节省...
Microsoft Power Automate
Microsoft Power Automate是一个综合的云平台，利用低代码和人工智能技术，自动化和优化企业流程。它支持跨几乎无限的系统、桌面应用程...
headshot by rupa ai
rupa.ai是AI照片增强器，可以在您的家中舒适地为您提供专业的照片。它非常适合爆头，婴儿照片，化身和社交媒体资料 - 只需单击几下即可，您就可以拥...
o1-engineer
o1-engineer 是一个命令行工具，旨在帮助开发者通过 OpenAI 的 API 高效地管理和交互项目。它提供了代码生成、文件编辑、项目规划等功...
notice
一个位置ToCreate＆Publishall Web ContrentNotice是一个Nocode编辑器，可让您在任何Web或移动应用程序中创建，...
GeForce RTX 5070 Ti
GeForce RTX 5070 Ti是NVIDIA推出的高性能显卡，采用最新的Blackwell架构，支持DLSS 4多帧生成技术。该显卡能够为游戏...
ComfyUI-StableAudioSampler
ComfyUI-StableAudioSampler 是一款集成在 ComfyUI 节点中的音频采样器插件，它允许用户生成音频并输出原始字节和采样率，...
Video Subtitles
视频字幕是一款采用先进的AI技术，能够自动转录音频并将其翻译成准确的英文字幕的应用。通过自动转录和同步字幕，提高可访问性并节省时间。支持50多种语言，...
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
