SmolDocling

新型视觉语言模型无需OCR即可提取文档数据，性能超越大型模型

研究人员开发了一种从文档图像中提取键值对的新方法，无需依赖传统的OCR预处理。他们对一个名为SmolDocling的紧凑型2.56亿参数视觉语言模型进行了微调，以端到端地执行此任务，联合处理识别、定位和关联。据报道，这种方法在FUNSD和XFUND等基准测试上的表现优于大型零样本视觉语言模型，同时比Qwen2.5-VL等模型更小、更快。