این پست از Peter W. J. Staar، یکی از اعضای ارشد تحقیقاتی در IBM Research Zurich، درباره معرفی مدل جدیدی به نام Granite-Docling برای پردازش اسناد است.

👉 @ai_python ✍️

مدل Granite-Docling یک مدل چند‌حالته تصویری-زبانی (Visual Language Model) است که برای تبدیل اسناد به شکل دقیق و مقرون‌به‌صرفه طراحی شده. این مدل ادامه‌دهنده‌ی پروژه‌ی قبلی به نام SmolDocling است و هدف آن فراهم کردن ابزارهای قدرتمند برای پردازش اسناد برای همه است.

👉 @ai_python ✍️


تعداد پارامترها، فقط ۲۵۸ میلیون، که آن را بسیار سبک و سریع می‌کند.

ویژگی های اصلی :

تشخیص بهتر معادلات ریاضی، جداول، OCR، بلوک‌های کد و معادلات درون‌خطی

حالت‌های استنتاج منعطف (تمام صفحه یا ناحیه‌ای)

رمزگشایی پایدارتر (جلوگیری از حلقه‌های بی‌نهایت)

پاسخ به سوالات درباره ساختار و ترتیب عناصر سند

پشتیبانی آزمایشی از زبان‌های ژاپنی، عربی و چینی

👉 @ai_python ✍️

🔗 لینک‌های مرتبط:

توضیحات کامل در بلاگ

دموی مدل در Hugging Face

مخزن Docling در GitHub