---
title: "SmolDocling – 轻量级的多模态文档处理模型"
url: "https://paooo.com/aigc-news/20949/"
author: "Prompt 语宙研究院"
published_at: "2026-06-08T16:17:26+08:00"
updated_at: "2026-06-08T16:17:26+08:00"
categories: "AIGC 资讯"
tags: "AI办公效率, HuggingFace, 开源大模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# SmolDocling – 轻量级的多模态文档处理模型

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/20949/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-08

## AI 30 秒核心看点 (TL;DR)

- 256M 轻量参数实现文档图像端到端结构化转换，兼顾 OCR、布局与复杂元素识别。
- A100 上单页仅 0.35 秒、显存不到 500MB，适合高效批量文档处理。
- 与 Docling 兼容，可输出 Markdown、HTML 等格式，并支持公式转 LaTeX、图表转表格。

## SmolDocling是什么

SmolDocling（SmolDocling-256M-preview ）是高效轻量级的多模态文档处理模型。能将文档图像端到端地转换为结构化文本，支持文本、公式、图表等多种元素识别，适用于学术论文、技术报告等多类型文档。模型参数量仅 256M，推理速度快，A100 GPU 上每页处理仅需 0.35 秒，与 Docling 完全兼容，可导出多种格式。

## SmolDocling的主要功能

- **多模态文档转换**：能将图像文档高效转换为结构化文本，支持科学和非科学文档。

- **快速推理**：在 A100 GPU 上处理一页文档仅需 0.35 秒，使用不到 500MB 的显存。

- **OCR 与布局识别**：支持光学字符识别（OCR），保留文档结构和元素的边界框。

- **复杂元素识别**：能识别代码块、数学公式、图表、表格等复杂文档元素。

- **与 Docling 无缝集成**：支持将结果转换为多种格式（如 Markdown、HTML 等），兼容 Docling。

- **指令支持**：支持多种指令，如将页面转换为 Docling 格式、将图表转换为表格、将公式转换为 LaTeX 等。

## SmolDocling的技术原理

- **轻量级设计**：SmolDocling-256M-preview 是仅包含 256M 参数的视觉语言模型，专为文档光学字符识别（OCR）和转换而设计。能在消费级 GPU 上快速处理文档，使用不到 500MB 的显存，每页文档的处理时间仅需 0.35 秒。

- **视觉骨干网络**：模型采用了 SigLIP base patch-16/512 作为视觉骨干网络，网络参数量为 93M，能高效地处理图像输入。通过像素压缩技术，每个 512×512 的图像块被压缩为 64 个视觉标记，显著降低了计算资源需求。

- **文本编码器**：SmolDocling-256M-preview 使用 SmolLM-2 作为文本编码器，编码器参数量为 135M，能处理文本输入并与视觉信息进行融合。

- **多模态融合与输出**：模型能接收图像和文本的多模态输入，生成结构化的文本输出。支持多种文档处理功能，包括将文档图像转换为结构化文本、提取图表和表格信息、将数学公式转换为 LaTeX 格式等。

- **优化的数据集与训练策略**：SmolDocling-256M-preview 的训练数据集包括科学和非科学文档，文档理解占比达到 41%。训练过程中采用了更高的像素标记率（4096 像素/标记），相比之前的 1820 像素/标记，显著提升了效率。

## SmolDocling的项目地址

- **HuggingFace模型库**：[https://huggingface.co/ds4sd/SmolDocling-256M-preview](https://huggingface.co/ds4sd/SmolDocling-256M-preview)

- **arXiv技术论文**：[https://arxiv.org/pdf/2503.11576](https://arxiv.org/pdf/2503.11576)

## SmolDocling的应用场景

- **文档转换与数字化**：SmolDocling-256M-preview 能高效地将图像形式的文档转换为结构化的文本格式，同时保留文档的原始布局和复杂元素（如代码块、数学公式、图表等）。支持多种输出格式，包括 Markdown、HTML 等，适用于文档的数字化处理。

- **科学与非科学文档处理**：能处理非科学内容（如商业文档、专利文件等）。识别和提取文档中的关键信息，如公式、图表和表格。

- **快速 OCR 与布局识别**：SmolDocling-256M-preview 提供高效的光学字符识别（OCR）功能，能从图像中准确提取文本，保留文档的结构和元素边界框。

- **移动与低资源设备支持**：SmolDocling-256M-preview 可以在移动设备或资源受限的环境中运行，例如智能手机或便携式计算机。

## 常见问题解答 (FAQ)

### SmolDocling适合处理哪些文档？
它适合学术论文、技术报告，也能处理商业文档、专利文件等非科学文档。模型可识别文本、公式、图表、表格和代码块，并保留原始布局结构，适合文档数字化与信息抽取场景。

### SmolDocling的速度和资源占用怎么样？
文章给出的实测结果是：在 A100 GPU 上每页处理约 0.35 秒，显存占用不到 500MB。由于参数量仅 256M，它更适合追求高吞吐、低资源消耗的文档处理任务。

### SmolDocling能和Docling一起用吗？
可以。SmolDocling 与 Docling 完全兼容，处理结果可导出为多种格式，如 Markdown、HTML 等；同时还支持将图表转换为表格、将公式转换为 LaTeX，便于后续编辑和集成。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
