SmolDocling：一种轻量级、先进、闪电般快速的开源 OCR 模型

• 🗂️ 解析多种文档格式，包括 PDF、DOCX、XLSX、HTML、图像等

• 📑 高级 PDF 理解，包括页面布局、阅读顺序、表格结构、代码、公式、图像分类等

• 🧬 统一、富有表现力的 DoclingDocument 表示格式

• ↪️ 各种导出格式和选项，包括 Markdown、HTML 和无损 JSON

• 🔒 敏感数据和隔离环境的本地执行功能

• 🤖 即插即用集成，包括 LangChain、LlamaIndex、Crew AI 和 Haystack for agentic AI

• 🔍 广泛支持扫描的 PDF 和图像的 OCR

• 🥚 支持 VLM（视觉语言模型）

• 💻 简单方便的 CLI

SmolDocling 是一种多模态图像文本到文本模型，旨在实现高效的文档转换。它保留了 Docling 最受欢迎的功能，同时通过无缝支持 DoclingDocuments 确保与 Docling 完全兼容。

SmolDocling 尺寸极小（256M 个参数），性能可与更大的模型相匹配，支持以下功能：

• 🏷️ DocTags 用于高效标记化 – 引入 DocTags，这是一种高效且最小化的文档表示，与 DoclingDocuments 完全兼容。

• 🔍 OCR（光学字符识别） – 从图像中准确提取文本。

• 📐 布局和本地化 – 保留文档结构和文档元素边界框。

• 💻 代码识别 – 检测和格式化代码块，包括标识。

• 🔢 公式识别 – 识别和处理数学表达式。

• 📊 图表识别 – 提取和解释图表数据。

• 📑 表格识别 – 支持列和行标题以进行结构化表格提取。

• 🖼️ 图形分类 – 区分图形和图形元素。

• 📝 标题对应 – 将标题链接到相关图像和图形。

• 📜 列表分组 – 正确组织和构建列表元素。

• 📄 全页转换 – 处理整个页面以进行全面的文档转换，包括所有页面元素（代码、公式、表格、图表等）

• 🔲 带边界框的 OCR – 使用边界框的 OCR 区域。

• 📂 通用文档处理 – 针对科学和非科学文档进行训练。

• 🔄 无缝 Docling 集成 – 导入 Docling 并以多种格式导出。

• 💨 使用 VLLM 快速推理 – A100 GPU 上每页平均 0.35 秒。