悶悶不樂的文檔可以更有效地解析文件嗎？

悶燒：高精度文檔轉換的輕巧視覺語言模型

數字文檔提出了一個重大挑戰：將其豐富的結構準確地轉換為機器可讀格式。現有的解決方案，無論是複雜的管道還是大型模型，通常都會損害效率的準確性。 Smoldocling提供了一種開創性的替代方案 - 一種非常緊湊的256m參數視覺語言模型，可提供精確的快速端到端文檔轉換。

目錄：

• 文檔轉換障礙
• 引入悶熱：一種新穎的方法
• 了解醫生：通用標記語言
• 深度潛水：培訓數據和模型架構
• 績效比較：悶悶不樂與其他型號
• 代碼示例和輸出可視化
• 結論和未來發展

文檔轉換障礙

將各種文檔佈局（從業務報告到學術論文）轉換為結構化數據仍然是一項複雜的任務。主要挑戰包括：

• 佈局可變性：文檔具有各種樣式和格式。
• 不透明格式： PDF之類的格式優先打印，阻礙語義解析。
• 資源密集型：傳統方法需要大量的計算資源和復雜的調整。

引入悶熱：一種新穎的方法

悶悶不樂通過統一的端到端方法來應對這些挑戰：

• 完整的頁面處理：它同時處理整個文檔頁面，從而消除了對多個專用模型的需求。
• 緊湊的設計，強大的結果：其2.56億參數達到的性能可與模型相當多倍。
• 多功能多模式功能：它無縫處理各種文檔元素：代碼，表，方程，圖表等。

悶燒的核心是其創新的標記語言，Doctags，一種通用標準捕獲內容，結構和空間環境。

了解醫生：通用標記語言

Doctags重新定義文檔元素表示：

• 結構化詞彙：使用XML風格的標籤（靈感來自OTSL），它清楚地區分了文本，圖像，表格，代碼等。
• 空間上下文：精確的邊界框坐標保留佈局信息。
• 統一表示：完整頁面或各個元素的一致格式增強了學習和概括。

主要醫生包括： <img src="/static/imghw/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/174537247742337.jpg" class="lazy" alt="悶悶不樂的文檔可以更有效地解析文件嗎？">

績效比較：悶悶不樂與其他型號

悶悶不樂在文本識別和文檔格式中顯著優於較大的模型：

方法	型號大小	編輯距離↓	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
牛軋糖（基礎）	350m	0.62	0.66	0.72	0.67	0.44	0.54
悶悶不樂（我們）	256m	0.48	0.80	0.89	0.79	0.58	0.67

悶悶不樂在專業任務中也表現出色，在代碼清單和方程式識別中獲得了高的F1分數和精度。

代碼示例和輸出可視化

[由於長度約束，此處省略了代碼示例和可視化。原始輸入提供了這些部分。 ]

結論和未來發展

悶燒的表明，較小的模型可以在文檔轉換中實現最新的性能。其高效的建築，創新的醫生格式和全面的培訓策略建立了新的基準。在收據上表現出強烈的性能和其他文檔的可接受結果，但由於其記憶效率設計而存在局限性。未來的工作將集中於改善元素本地化和多模式理解。數據集的公開發布將有助於進一步的研究和協作。

以上是悶悶不樂的文檔可以更有效地解析文件嗎？的詳細內容。更多資訊請關注PHP中文網其他相關文章！