SmolDocling-256M-preview

SmolDocling-256M-preview 是一个多模态的图像-文本到文本的模型，专为高效文档转换而设计。它保留了 Docling 的主要功能，并完全兼容 Docling，通过无缝支持 DoclingDocuments 实现。主要特点包括：

• DocTags: 采用DocTags标签，这是一种高效且最小的文档表示方法，完全兼容 DoclingDocuments，更清晰地分离文本和文档结构。
• OCR: 准确地从图像中提取文本。
• 布局和定位: 保留文档结构和元素边界框。
• 代码识别: 检测并格式化代码块，包括缩进。
• 公式识别: 识别和处理数学表达式。
• 图表识别: 提取并解释图表数据。
• 表格识别: 支持列和行标题，进行结构化表格提取。
• 图像分类: 区分图形元素。
• 标题对应: 将标题链接到相关图像和图形。
• 列表分组: 正确组织和结构化列表元素。
• 整页转换: 处理整个页面，包括所有页面元素（代码、公式、表格、图表等）。
• 带边界框的OCR: 使用边界框进行OCR区域识别。
• 通用文档处理: 经过科学和非科学文档的训练。
• 无缝Docling集成: 导入Docling并导出为多种格式（MD, HTML 等）。
• 快速推理: 使用VLLM，在A100 GPU上平均每页0.35秒。

该模型基于 Idefics3 微调，使用 DocTags 进行高效 Token 化，并将提供图表识别增强，多页推理支持，以及化学识别等功能。 开发者还提供了使用 transformers 或 vllm 进行推理，并使用 Docling 将结果转换为多种输出格式的代码示例。