闷闷不乐的文档可以更有效地解析文件吗？

闷烧：高精度文档转换的轻巧视觉语言模型

数字文档提出了一个重大挑战：将其丰富的结构准确地转换为机器可读格式。现有的解决方案，无论是复杂的管道还是大型模型，通常都会损害效率的准确性。 Smoldocling提供了一种开创性的替代方案 - 一种非常紧凑的256m参数视觉语言模型，可提供精确的快速端到端文档转换。

目录：

• 文档转换障碍
• 引入闷热：一种新颖的方法
• 了解医生：通用标记语言
• 深度潜水：培训数据和模型架构
• 绩效比较：闷闷不乐与其他型号
• 代码示例和输出可视化
• 结论和未来发展

文档转换障碍

将各种文档布局（从业务报告到学术论文）转换为结构化数据仍然是一项复杂的任务。主要挑战包括：

• 布局可变性：文档具有各种样式和格式。
• 不透明格式： PDF之类的格式优先打印，阻碍语义解析。
• 资源密集型：传统方法需要大量的计算资源和复杂的调整。

引入闷热：一种新颖的方法

闷闷不乐通过统一的端到端方法来应对这些挑战：

• 完整的页面处理：它同时处理整个文档页面，从而消除了对多个专用模型的需求。
• 紧凑的设计，强大的结果：其2.56亿参数达到的性能可与模型相当多倍。
• 多功能多模式功能：它无缝处理各种文档元素：代码，表，方程，图表等。

闷烧的核心是其创新的标记语言，Doctags，一种通用标准捕获内容，结构和空间环境。

了解医生：通用标记语言

Doctags重新定义文档元素表示：

• 结构化词汇：使用XML风格的标签（灵感来自OTSL），它清楚地区分了文本，图像，表格，代码等。
• 空间上下文：精确的边界框坐标保留布局信息。
• 统一表示：完整页面或各个元素的一致格式增强了学习和概括。

主要医生包括： <img src="/static/imghwm/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/174537247742337.jpg?x-oss-process=image/resize,p_40" class="lazy" alt="闷闷不乐的文档可以更有效地解析文件吗？">

绩效比较：闷闷不乐与其他型号

闷闷不乐在文本识别和文档格式中显着优于较大的模型：

方法	型号大小	编辑距离↓	F1得分↑	精度↑	回想↑	bleu↑	流星↑
QWEN2.5 VL	7b	0.56	0.72	0.80	0.70	0.46	0.57
得到	580m	0.61	0.69	0.71	0.73	0.48	0.59
牛轧糖（基础）	350m	0.62	0.66	0.72	0.67	0.44	0.54
闷闷不乐（我们）	256m	0.48	0.80	0.89	0.79	0.58	0.67

闷闷不乐在专业任务中也表现出色，在代码清单和方程式识别中获得了高的F1分数和精度。

代码示例和输出可视化

[由于长度约束，此处省略了代码示例和可视化。原始输入提供了这些部分。]

结论和未来发展

闷烧的表明，较小的模型可以在文档转换中实现最新的性能。其高效的建筑，创新的医生格式和全面的培训策略建立了新的基准。在收据上表现出强烈的性能和其他文档的可接受结果，但由于其记忆效率的设计而存在局限性。未来的工作将集中于改善元素本地化和多模式理解。数据集的公开发布将有助于进一步的研究和协作。

以上是闷闷不乐的文档可以更有效地解析文件吗？的详细内容。更多信息请关注PHP中文网其他相关文章！