SmolDocling：2.56亿参数视觉语言模型实现端到端文档转换

据论文SmolDocling，作者Ahmed Nassar、Andres Marafioti、Matteo Omenetti、Maksym Lysak、Nikolaos Livathinos与Christoph Auer提出一款超紧凑视觉语言模型，面向端到端文档转换。该模型通过生成DocTags这一新通用标记格式处理整页内容，在完整上下文中记录页面各元素及其位置。作者称，不同于依赖大型基础模型的方法或依赖多个专用模型手工流水线的集成方案，SmolDocling以2.56亿参数的视觉语言模型实现端到端转换，可捕捉文档元素的内容、结构与空间位置。论文称该模型在代码清单、表格、公式、图表、列表等特征的复现上表现稳健，覆盖商业文档、学术论文、技术报告、专利与表单等多种类型。作者还贡献了图表、表格、公式与代码识别的新公开数据集，并称实验显示其性能可与规模至多27倍的视觉语言模…