SmolDocling

概要

SmolDoclingは、Hugging FaceとIBM Researchが共同開発した、超コンパクトな256MパラメーターのオープンVLMです。このモデルはエンドツーエンドのドキュメント変換を実現し、画像からさまざまな情報を抽出することができます。

主な機能

• テキスト抽出（OCR）：文書からテキストを正確に抽出します。
• レイアウト認識：ページの構造（段落、見出し、リストなど）を理解します。
• テーブル処理：表の構成や内容を抽出します。
• コード認識：コードブロックを格式化し、インデントを保持します。
• 数式処理：数学的な公式を適切に扱います。
• 図の特定：図を認識し、キャプションを関連付けます。

特徴

SmolDoclingは、これらの機能をすべて1つのモデルで実現し、従来の別々のツールを必要としません。また、そのサイズが小さいにもかかわらず、競合する大きなモデルと同等の性能を提供します。オープンソースであり、実際のデモも体験可能です。