IBM AI Liberes Granite-Docling-258m: un modelo de AI de documento de código abierto listo para la empresa

IBM ha lanzado Granite-Docling-258mun modelo de lenguaje de visión de código abierto (Apache-2.0) diseñado específicamente para la conversión de documentos de extremo a extremo. El modelo se dirige a la extracción de diseño de diseño (tablas, código, ecuaciones, listas, subtítulos y orden de lectura) que emita una representación estructurada y legible por máquina en lugar de una reducción con pérdida. Está disponible en la cara abrazada con una demostración en vivo y una construcción de MLX para Apple Silicon.

¿Qué hay de nuevo en comparación con SmitroCling?

Granite-Docling es el sucesor listo para el producto de Smoldocling-256m. IBM reemplazó la columna vertebral anterior con un Granito 165m modelo de idioma y actualizado el codificador de visión para Siglip2 (base, parche16-512) mientras conserva el conector de estilo IDEFICS3 (proyector Pixel-Shuffle). El modelo resultante tiene 258 m de parámetros y muestra ganancias de precisión consistentes en el análisis de diseño, OCR, código, ecuaciones y tablas de la página completa (ver métricas a continuación). IBM también abordó los modos de falla de inestabilidad observados en el modelo de vista previa (por ejemplo, bucles de tokens repetitivos).

Tubería de arquitectura y entrenamiento

• Columna vertebral: Pila derivada de IDEFICS3 con codificador de visión Siglip2 → conector de píxeles-shuffle → granito 165m LLM.
• Marco de capacitación: nanovlm (Ligero, Pure-Pytorch VLM Tooling Toolkit).
• Representación: Salidas Doctoradoun marcado autorizado por IBM diseñado para una estructura de documentos inequívoca (elementos + coordenadas + relaciones), que las herramientas aguas abajo se convierten a Markdown/HTML/JSON.
• Calcular: Entrenado en IBM’s Vela azul H100 Cluster.

Mejoras cuantificadas (Granite-Docling-258m vs. Smoldocling-256M Vista previa)

Evaluado con docling-evalLMMS-EVAL, y conjuntos de datos específicos de tareas:

• Disposición: Mapa 0.27 vs. 0.23; F1 0.86 vs. 0.85.
• OCR de página completa: F1 0.84 vs. 0.80; Distancia de edición más baja.
• Reconocimiento de código: F1 0.988 vs. 0.915; distancia de edición 0.013 vs. 0.114.
• Reconocimiento de la ecuación: F1 0.968 vs. 0.947.
• Reconocimiento de la tabla (fintabnet @150dpi): Estructura de teds 0.97 vs. 0.82; Teds con contenido 0.96 vs. 0.76.
• Otros puntos de referencia: Mmstar 0.30 vs. 0.17; Bancarro 500 vs. 338.
• Estabilidad: “Evita los bucles infinitos de manera más efectiva” (solución orientada a la producción).

Soporte multilingüe

Doclina de granito agrega experimental soporte Japonés, árabe y chino. IBM marca esto como la etapa temprana; El inglés sigue siendo el objetivo principal.

Cómo los cambios de la ruta de Doctags documentan AI

Las tuberías convencionales de OCR a la marca pierden información estructural y complican la generación de recuperación aguas abajo (RAG). Doclina de granito emite Doctorado—Un gramática estructural compacta, amigable con LLM, que el contalmamento se convierte en markdown/html/json. Esto preserva la topología de la tabla, las matemáticas en línea/flotantes, los bloques de código, los subtítulos y el orden de lectura con coordenadas explícitas, mejorando la calidad del índice y la base para el trapo y el análisis.

Inferencia e integración

• Integración de DoCling (recomendado): El docling CLI/SDK saca automáticamente el doco de granito y convierte PDF/Docs/imágenes de Office en múltiples formatos. IBM posiciona el modelo como un componente dentro de las tuberías de contenedor en lugar de un VLM general.
• Tiempos de ejecución: Trabajar con Transformadores, vllm, ONNXy Mlx; un dedicado Mlx La construcción está optimizada para el silicio de manzana. Un espacio para abrazar la cara proporciona una demostración interactiva (zerogpu).
• Licencia: Apache-2.0.

Por qué se docan granito?

Para el documento empresarial ai, pequeños VLM que preservar la estructura Reduzca el costo de inferencia y la complejidad de la tubería. La doco de granito reemplaza a múltiples modelos de propósito único (diseño, OCR, tabla, código, ecuaciones) con un solo componente que emite una representación intermedia más rica, mejorando la fidelidad de recuperación y conversión aguas abajo. Las ganancias medidas (en TED para tablas, F1 para código/ecuaciones e inestabilidad reducida) lo hacen una actualización práctica de la sorpresa para los flujos de trabajo de producción.

Manifestación

Resumen

Granite-Docling-258M marca un avance significativo en el documento compacto que presenta la estructura IA. Al combinar la columna vertebral de granito de IBM, el codificador de visión SIGLIP2 y el marco de entrenamiento NanovLM, ofrece un rendimiento listo para la empresa en tablas, ecuaciones, código y texto multilingüe, todo al tiempo que permanece ligero y de código abierto bajo Apache 2.0. Con ganancias medibles sobre su predecesor de Smoldocling y su integración perfecta en tuberías de contalmentación, Granite-Docling proporciona una base práctica para la conversión de documentos y los flujos de trabajo de RAG donde la precisión y la confiabilidad son críticos.

Mira el Modelos en la cara abrazada y Demostración aquí. No dude en ver nuestro Página de Github para tutoriales, códigos y cuadernos. Además, siéntete libre de seguirnos Gorjeo Y no olvides unirte a nuestro Subreddit de 100k+ ml y suscribirse a Nuestro boletín.