IBM 正式推出 Granite-Docling-258M，一款面向端到端文档转换的开源视觉语言模型。与传统 OCR 技术不同，该模型专注于保留原始文档的布局结构，能够精准识别并提取表格、代码段、数学公式、列表、标题等复杂元素，并生成具备完整结构信息的机器可读输出，而非仅输出简化版的 Markdown。
作为 SmolDocling-256M 的升级版本，Granite-Docling 在架构层面进行了多项优化：采用 Granite165M 作为其语言解码核心，将视觉编码器升级为 SigLIP2，并延续使用 Idefics3 风格的连接模块。这些改进使模型参数规模达到 258M，在布局解析、整页文字识别以及对代码、公式和表格的还原精度上实现了显著增强。同时，IBM 修复了早期预览版本中存在的系统不稳定性问题，例如重复 token 的循环生成现象。
该模型基于 Idefics3 架构构建，训练过程依托 nanoVLM 框架完成。其输出格式采用 IBM 自研的 DocTags 标记语言，能够精确描述文档中各元素的位置坐标、类型及相互关系，便于后续转换为 Markdown、HTML 或 JSON 等标准格式。这种结构化表达方式不仅有效维持了文档的逻辑顺序与视觉拓扑（如表格结构和公式排版），还提升了内容索引效率与检索性能。
在语言支持方面，Granite-Docling 首次引入对日语、阿拉伯语和中文的实验性适配，尽管当前仍以英语为主要处理语言。IBM 推荐用户将其与 Docling 工具套件结合使用，通过提供的 CLI 命令行接口或 SDK 软件开发工具包，实现 PDF 文件、办公文档及图像文件向多种格式的自动化转换。该模型兼容 Transformers、vLLM、ONNX 和 MLX 等主流推理框架，并针对 Apple Silicon 芯片进行了性能优化，确保在多种硬件环境下高效运行。
