IBM 正式发布了 Granite-Docling-258M，这是一个开源的视觉语言模型，专为端到端文档转换而设计。与传统的 OCR（光学字符识别）技术相比，Granite-Docling 注重保持文档的布局信息，能够有效提取表格、代码、公式、列表、标题等元素，并输出结构化的机器可读格式，而非简化的 Markdown 格式。

Granite-Docling 是 SmolDocling-256M 的改进版。IBM 对原有的技术架构进行了优化，采用了 Granite165M 语言模型，并升级了视觉编码器为 SigLIP2，同时保持了 Idefics3风格的连接器。

这一系列更新使得 Granite-Docling 的参数量达到了258M，并在布局分析、全页 OCR、代码、公式及表格的精确度上都有显著提升。此外，IBM 还解决了在预览模型中发现的不稳定性问题，如重复令牌循环现象。

Granite-Docling 采用了基于 Idefics3的架构，使用了 nanoVLM 训练框架。其输出的 DocTags 是 IBM 开发的一种标记语言，能够清晰地表示文档结构，包括元素、坐标和关系，方便后续工具将其转换为 Markdown、HTML 或 JSON 格式。这种结构化的输出方式，不仅保持了表格拓扑、数学公式、代码块及标题的顺序，还提高了数据索引的质量和增强了检索能力。

在多语言支持方面，Granite-Docling 首次增加了对日语、阿拉伯语和中文的实验性支持，但目前以英语为主要目标。IBM 建议用户将 Granite-Docling 与 Docling 集成，利用其 CLI/SDK 自动转换 PDF、办公文档及图片至多种格式。这款模型能够在 Transformers、vLLM、ONNX 和 MLX 等运行环境中流畅运行，特别为 Apple Silicon 进行了优化。