在数字化转型加速的今天，企业每天都面临着海量文档的处理需求，从复杂的财务报表到科研论文，从多语种合同到结构化表格，这些文档中蕴含的价值信息若不能被高效提取和利用，将成为企业发展的隐形障碍。近日，科技巨头 IBM 正式发布了 Granite-Docling-258M 模型，这款轻量级视觉语言模型（VLM）凭借创新的技术架构和独特的文档结构标记语言，直击企业文档处理的核心痛点，为企业级文档 AI 的结构化进阶带来了突破性进展。
项目地址: https://ai.gitcode.com/hf_mirrors/ibm-granite/granite-docling-258M 企业在日常文档处理过程中，常常陷入三大困境，严重制约了工作效率和数据价值的释放。首先是结构丢失问题，传统 OCR 技术在将文档转换为 Markdown 格式时，表格、公式、代码等复杂元素往往会失去原有的排版结构，变成杂乱无章的“散装文本”，后续处理需要大量人工干预。其次是多模型拼接的困扰，为了识别不同类型的文档元素，企业不得不调用 OCR、表格识别、公式识别等多个小模型，这不仅增加了系统部署的复杂度，还推高了运营成本，且模型间的协同工作也容易出现误差。最后是结果不可控的风险，一些轻量级模型在处理复杂文档时，偶尔会出现“抽风”现象，比如陷入无限循环输出、重复生成 token 等问题，导致模型完全无法投入实际生产环境使用。
面对这些痛点，Granite-Docling-258M 给出了颠覆性的解决方案——直接输出由 IBM 精心设计的 DocTags 文档结构标记语言。这种标记语言的独特之处在于，它不仅能够准确识别文档中的文字内容，还能完整保留每个元素的坐标信息、元素间的逻辑关系以及自然的阅读顺序。也就是说，它不仅告诉用户“这行字是什么”，还会清晰地指出“它位于哪个表格中、属于哪一列、与哪段文字相邻”。这一特性使得下游任务，如信息检索、RAG（检索增强生成）、知识图谱构建、数据分析等，能够基于更精准的索引和上下文信息进行操作，告别了在“碎片化文本”中盲目搜索的低效模式。
Granite-Docling-258M 的卓越性能源于其精心构建的技术架构，它并非简单的 OCR 模型升级，而是一款真正意义上的轻量级视觉语言模型。其核心架构由三个关键部分紧密协作而成。视觉编码器采用了先进的 SigLIP2 模型，专门用于图像特征的精准提取，与上一代 SmolDocling 预览版相比，在精度和稳定性方面均实现了显著提升。语言模型则选用了 IBM 自研的 Granite 165M 小型大语言模型（LLM），作为整个系统的“智慧大脑”，它负责接收视觉编码器提取的图像特征，并基于这些特征生成结构化的 DocTags 标记语言。为了确保图像信息和文本信息能够无缝融合，模型还创新性地引入了连接器——pixel-shuffle 投影组件，该组件借鉴了 Idefics3 的设计理念，有效解决了视觉与语言模态对齐的难题。
在模型训练方面，IBM 采用了 nanoVLM 框架，这是一套轻量级、纯 PyTorch 实现的视觉语言模型训练工具，能够高效地支持模型的训练过程。训练工作在强大的 Blue Vela H100 集群上完成，为模型性能的优化提供了坚实的硬件保障。相比 SmolDocling 预览版，Granite-Docling-258M 在稳定性和准确率上都实现了质的飞跃。具体数据显示，代码识别的 F1 值从 0.915 大幅提升至 0.988，错误率显著下降；表格识别在 FinTabNet 数据集上的 TEDS 指标从 0.82 跃升至 0.97，几乎达到了人工识别的水平；全页 OCR 的 F1 值也从 0.80 提升到 0.84，编辑距离进一步缩短。更重要的是，研发团队成功修复了“无限循环输出”这种可能导致工程灾难的严重 bug，为模型的工业化应用扫清了关键障碍。
如上图所示，虽然该图片主要展示的是53AI Hub的智能体发布与运营平台手机界面，但这也从侧面反映了当前AI技术在各领域的广泛应用和便捷化趋势，与IBM Granite-Docling-258M致力于提升企业文档处理效率、推动AI技术实用化的目标相契合，为读者理解AI技术如何赋能实际业务场景提供了直观参考。
很多人可能会产生疑问：既然现有的 Markdown 或 JSON 格式已经能够满足部分文档转换需求，IBM 为何还要额外发明 DocTags 标记语言呢？其核心价值在于“歧义消除”。传统 OCR 输出的 Markdown 表格，例如：
| Name | Age |
|---|---|
| Tom | 23 |
看似结构清晰，但当遇到表格跨页、嵌套公式、包含图片等复杂情况时，Markdown 就显得力不从心，无法完整准确地表示原文档的结构。而 DocTags 则能够轻松应对这些挑战，例如对于上述简单表格，DocTags 会输出：
Tom 23这种标记方式带来了三大显著优势：一是精准的坐标信息，能够明确每个元素在原文档中的具体位置，为后续的可视化和定位操作提供了基础；二是清晰的语义结构，能够准确区分标题、正文、脚注、表格标题（caption）等不同语义的元素，提升了文档理解的深度；三是易于二次转换，DocTags 可以无损地转化为 Markdown、HTML 或 JSON 等多种格式，能够灵活适配不同的业务系统和应用场景。
这一优势对于 RAG 应用来说尤为重要。过去，许多企业都曾抱怨，基于文档的问答系统经常出现“答非所问”的情况，追根溯源，很大程度上是因为底层索引缺乏必要的结构信息，导致系统无法检索到与问题相关的正确上下文。DocTags 的引入，通过提供丰富的结构和语义信息，能够显著提高检索的精准度和问答的准确性，为企业构建高效的智能问答系统奠定了坚实基础。
在全球化趋势下，多语言支持成为企业级文档 AI 模型不可或缺的能力。Granite-Docling 在全面支持英语的基础上，还创新性地提供了日语、阿拉伯语和中文的实验性支持。尽管目前 IBM 强调这仍处于“早期阶段”（early-stage），其准确度相较于英文版本还有一定提升空间，但这一步的意义却非同寻常。对于跨国企业而言，内部文档往往是多语种混杂的，单一语言的处理能力难以满足实际需求；而对于亚洲和中东市场，中文和阿拉伯语的加入无疑能够直接扩大模型的适用范围，为当地企业提供更贴合需求的文档处理解决方案。未来，如果多语言处理能力能够进一步成熟和完善，Granite-Docling 极有可能成为“全球化企业文档 AI 的默认选择”，助力企业打破语言壁垒，高效处理全球范围内的文档信息。
对于企业用户而言，最关心的莫过于模型能否快速集成并部署到实际业务中。IBM 在这方面的策略非常清晰：Granite-Docling 并非通用的视觉语言模型，而是 Docling 处理管道中的核心组件，旨在与其他工具协同工作，为企业提供端到端的文档处理解决方案。企业可以通过多种便捷方式快速接入 Granite-Docling 的能力。例如，利用 Docling CLI（命令行界面）或 SDK（软件开发工具包），只需一条简单命令，即可将 PDF、Office 文档、图片等多种格式的文件转换为 Markdown、HTML 或 JSON 格式，系统会自动调用 Granite-Docling 模型完成复杂的结构提取和转换工作。
在推理框架支持方面，Granite-Docling 展现出了高度的灵活性，兼容 Hugging Face Transformers、vLLM、ONNX 等多种主流推理框架，同时还提供了专为 Apple Silicon 芯片优化的 MLX 框架支持，满足不同企业在不同硬件环境下的部署需求。更值得一提的是，Granite-Docling 采用 Apache-2.0 开源许可协议，这意味着企业不仅可以将其用于商业用途，还能根据自身业务需求进行二次开发和定制，无需担心闭源模型带来的黑箱问题和使用限制。这些特性使得企业能够以极低的成本，将 Granite-Docling 无缝嵌入现有的知识管理、RAG、数据分析等业务管道，快速提升文档处理效率和数据利用价值。
Granite-Docling-258M 的发布，其意义远不止于“模型参数的简单升级”，更深层次来看，它代表了一种文档处理生产力范式的转变。首先，是从单纯的“内容识别”向“结构保真”的跨越，过去的文档处理技术往往满足于“看懂”文字内容，而 Granite-Docling 则追求“原汁原味地还原”文档的复杂结构和排版信息，让机器能够真正“理解”文档的内在逻辑。其次，是从“多模型拼接”向“单一模型统一”的进化，传统方案需要调用多个工具来处理不同类型的文档元素，而现在，Granite-Docling 凭借强大的统一建模能力，能够一站式完成多种元素的识别和结构化提取，避免了多模型协同带来的麻烦和误差。最后，是从“科研原型”向“企业级稳定性”的蜕变，通过解决无限循环输出等致命问题、大幅降低错误率，Granite-Docling 真正实现了从实验室成果到工业级应用的跨越，能够稳定可靠地支撑企业的核心业务。
这种转变对于金融、法律、科研、档案管理等对文档处理精度要求极高的行业场景来说，其价值尤为突出。在金融领域，准确提取财务报表中的表格数据和公式信息，直接关系到风险评估和投资决策的准确性；在法律行业，合同条款的结构分析和关键信息提取，是确保合规审查和权益保障的基础；在科研机构，论文中的图表、公式和实验数据的结构化处理，能够加速科研成果的共享和转化；在档案管理中，海量历史文档的数字化和结构化，有助于提升信息管理效率和公共服务水平。Granite-Docling 的“结构保真”能力，直接决定了这些场景下文档能否被机器高效索引和深度利用，进而影响到后续检索、问答、合规审计等一系列业务流程的质量和效率。
展望未来，Granite-Docling 的出现可能会在企业文档处理领域引发三大趋势变革。其一，推动企业知识管理从“文本堆积”向“结构化资产”升级。长期以来，企业积累的大量文档往往以非结构化或半结构化的形式存储，如同沉睡的金矿。Granite-Docling 能够将这些文档转化为富含结构信息的“结构化资产”，使企业内部数据的价值得到进一步释放，为知识发现和决策支持提供有力支撑。其二，促进 RAG 应用精度的大幅提升。随着文档结构信息的加入，RAG 系统能够更准确地理解用户问题，并从文档中检索到最相关的上下文信息，从而在 AI 助手、问答机器人、智能客服等场景中，显著减少“答非所问”的情况，提升用户体验和服务效率。其三，加速多语言市场的拓展。如前所述，如果 Granite-Docling 未来能够扩展更多语种的支持，其将成为跨国公司处理多语言文档的必备工具，帮助企业更好地融入全球市场，提升国际竞争力。
综上所述，IBM 推出 Granite-Docling-258M，不仅仅是发布了一个新的 AI 模型，更是重新定义了 Document AI（文档人工智能）的技术路线。从早期的 SmolDocling 预览版到如今的 Granite-Docling-258M，IBM 展现出了一种“务实的进化”理念：不盲目追求模型参数规模的竞赛，而是聚焦企业的实际刚需——如何让文档转换技术真正可用、可落地，为企业创造实实在在的价值。对于企业 IT 部门和开发者而言，Granite-Docling 不仅仅是一个开源模型，更是一块关键的拼图，它能够帮助企业将文档处理、知识检索和 AI 应用有机地串联成一条完整的业务链路，构建起端到端的智能化文档处理生态系统。或许在几年之后，当我们回顾企业文档 AI 的发展历程时会发现，Granite-Docling 的出现，正是推动这一领域实现从量变到质变的关键拐点。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
