SmolDocling-256M-preview 高效多模态图像-文本到文本模型

SmolDocling-256M-preview 是一款多模态图像-文本到文本模型，提供高效文档转换，能够在消费级 GPU 上以低于 500MB 的显存需求，在 0.35 秒内处理一页文档，速度极快，完全兼容 Docling，支持 DoclingDocuments，保留了 Docling 的核心功能。

SmolDocling-256M-preview核心功能

DocTags：采用高效的文档表示方法，清晰分离文本与文档结构，兼容 DoclingDocuments。

OCR：从图像中精准提取文本内容。

布局与定位：保留文档结构及元素边界框。

代码识别：自动检测并格式化代码块，包括缩进。

公式识别：识别并处理数学表达式。

图表识别：提取并解析图表数据。

表格识别：支持列与行标题，实现结构化表格提取。

图像分类：区分不同类型的图形元素。

标题对应：将标题与相关图像、图形关联。

列表分组：正确组织并结构化列表内容。

整页转换：处理页面中的所有元素，包括代码、公式、表格、图表等。

带边界框的 OCR：通过边界框识别 OCR 区域。

通用文档处理：适用于科学与非科学文档。

无缝 Docling 集成：支持导入 Docling 并导出为多种格式（如 MD、HTML）。

快速推理：基于 VLLM 技术，在 A100 GPU 上平均每页处理时间仅 0.35 秒。

SmolDocling-256M-preview 通过多模态能力与高效处理性能，为文档转换提供服务，适用于多种场景需求。