IBM已正式发布小型视觉语言模型Granite-Docling-258M，定位端到端文件转换场景，采用Apache 2.0开源协议，已在Hugging Face上线。

该模型参数量为2.58亿，专为文档表格处理设计，可完整保留版面、表格、数学公式、列表和代码块等结构，识别准确度高于传统OCR软件。

核心技术支持为DocTags，由IBM Research研发，是一种通用文件结构标记语言，能精确描述页面元素的类型、坐标、阅读顺序及跨元素关系，实现内容与版面分离，并支持“先识别元素范围再执行OCR”的处理流程。

完成转换后，DocTags可将输出导出为Markdown、JSON、HTML等格式，或进一步由Docling库处理。

当前模型支持中文、阿拉伯语和日语，尚未达到企业级水准。IBM表示未来将扩展语言覆盖范围，提升模型可靠性，增强DocTags与watsonx.ai的兼容性，并计划将DocTags词汇表纳入Granite分词器及训练流程。

免责声明：本文内容由开放的智能模型自动生成，仅供参考。