IBM開源Granite-Docling小模型，2.58億參數高效處理複雜文件結構與表格

IBM發布Granite-Docling-258M小型模型，定位為端到端文件轉換的視覺語言模型，採Apache 2.0授權開源並已上架Hugging Face。官方強調這是一個針對文件轉換而生的小型模型，參數量2.58億，輸出可完整保留版面、表格、數學式、清單與程式碼區塊等結構，適合後續以RAG建立可檢索的資料資產。與傳統直接轉為Markdown，容易與來源內容脫鉤的OCR流程相比，Granite-Docling的結構化輸出更貼近原始文件，降低後處理不確定性。

Granite-Docling模型與Docling函式庫是互補關係。Docling提供可組合的文件轉換軟體層，能串接表格解析、數學式與程式碼解析、ASR與OCR等專用模型與CLI工具，方便隨插即用地整合向量資料庫與代理式工作流程。而Granite-Docling模型則可作為其中的單一VLM節點，一次完成影像到結構化輸出，利用單一步驟轉換減少多階段工作管線的誤差累積，同時保有以Docling進行錯誤處理與客製化的彈性。

Granite-Docling的核心是DocTags，這是一套由IBM Research設計的通用文件結構標記語言，能精確描述頁面元素的型別、座標、閱讀順序與跨元素關聯，例如圖與其說明的對應關係。由於DocTags將內容與版面結構明確分離，模型可先界定元素範圍再執行OCR，待完成轉換後，DocTags可直接轉為Markdown、JSON或HTML，或送入Docling函式庫的處理流程。

此次發表被視為今年3月SmolDocling-256M-preview的產品演進，新模型以Granite3為語言骨幹並採用SigLIP2視覺編碼器，延續先前方法論同時提升穩定性。過去預覽版偶見在頁面局部出現相同Token反覆出現的情形，團隊此次透過資料集過濾與標註清理降低不一致樣本，目標是在大量文件處理情境中維持流程穩定而不被單點錯誤拖累。

在語言能力方面，Granite-Docling提供對阿拉伯文、中文與日文等的實驗性支援，目前尚未標示為企業等級的穩定水準，後續將持續擴充語言覆蓋與可靠性。IBM也同步推進docling-eval評測套件與資料集策畫，規畫建立標準化排行榜，以利各類文件理解方案比較。

IBM計畫發展更大參數等級的Granite-Docling模型版本，但會維持在10億參數以下以兼顧速度與硬體彈性，並提升DocTags與IBM watsonx.ai模型的相容性，之後也會將DocTags語彙納入Granite的分詞器（Tokenizer）與訓練配方。