作为目前全球参数规模最小的视觉语言模型(VLM)，SmolDocling仅有256M参数，该模型由ds4sd团队与IBM联合开发。基于精简架构SmolVLM-256M打造，其特点是在保持微小体积的同时实现了高效的文档处理能力。相比传统大型VLM通常需要数十亿参数，SmolDocling特别优化了模型压缩技术，使其能在普通计算设备上流畅运行。开源托管在Hugging Face平台的特性，进一步降低了技术使用门槛。
该模型的小型化设计具有多重优势：减少70%以上的显存占用，提升10倍以上的推理速度，且支持在无GPU环境下运行。实验数据显示，256M参数规模下仍能保持88.7%的文档识别准确率，特别适合嵌入式设备和边缘计算场景。这种微型化实现路径代表了VLM技术向轻量化、平民化发展的重要突破。
This answer comes from the articleSmolDocling: a visual language model for efficient document processing in a small volumeThe
May not be reproduced without permission:AI productivity tools " SmolDocling是全球最小的视觉语言模型
English 
简体中文 
日本語 
Deutsch 
Português do Brasil