IBM放出『PDF灭霸』:2.56亿参数屠榜文档AI

• 视觉骨干采用 SigLIP base patch-16/512（93M）其训练数据经过重新平衡，以强调文档理解（41%）和图像描述（14%）。
• 通过增加像素到标记的比率至每标记 4096 像素，并引入子图像分隔符的特殊标记，提高了标记化效率。
• 语言骨干采用轻量级的 SmolLM-2 家族（135M），并采用激进的像素洗牌方法，将每个 512×512 的图像块压缩为 64 个视觉标记。
• 该模型通过生成一种名为 DocTags 的新通用标记格式，全面处理整页文档，捕捉页面元素的全部上下文及其位置信息。
• SmolDocling 在多种文档类型（包括商业文件、学术论文、技术报告、专利和表单等）中表现出色，能够正确复现代码列表、表格、公式、图表、列表等元素。
• 针对图表、表格、公式和代码识别的新型公开数据集。

SmolDocling架构 

• 输入图像编码：输入的文档页面图像首先通过视觉编码器进行编码，然后通过投影和池化进行重塑。
• 标记化和嵌入：将投影后的嵌入与用户提示的文本嵌入进行拼接，可能还会进行交错处理。
• 自回归预测：将拼接后的序列输入到语言模型中，自回归地预测 DocTags 序列。

假设有一个包含文本、表格和图表的文档页面图像，SmolDocling 将该图像转换为 DocTags 序列。

例如，文本内容将被封装在 <text> 标记中，表格结构将使用 OTSL 标记（如 <fcel>、<ecel> 等）表示，图表将被封装在 <picture> 标记中，并可能包含 <caption> 标记以表示图表标题。

DocTags 格式

DocTags 受 OTSL 启发，定义了一个结构化的词汇表和规则，明确区分文本内容和文档结构，减少了图像到序列模型的混淆。

• DocTags 使用 XML 风格的标记来封装基本元素的文本内容，并定义了如文本、标题、脚注、公式、列表项等文档块类型。
• 每个元素都可以嵌套额外的位置标记，以编码其在页面上的位置，形式为 <loc_x1><loc_y1><loc_x2><loc_y2>。
• 对于特殊块（如表格和图像），DocTags 还嵌套了额外的描述符，用于标题、表格结构或图像类别。
• 为了促进文档理解流程中稳健的视觉-语义对齐，保持了裁剪页面元素（如表格、代码、公式）的统一 DocTags 表示，使其与完整页面对应物相同

训练流程

• 首先，将 DocTags 作为标记纳入分词器，并冻结视觉编码器，仅训练剩余网络以适应新的输出格式。
• 为了确保涵盖所有 DocTags，训练过程中保持了任务和数据类型的平衡混合。
• 接下来，解冻视觉编码器，并在预训练数据集以及所有特定任务的转换数据集（包括表格、代码、公式和图表）上训练模型。
• 最后，使用所有可用数据集进行微调。

预训练数据集

• DocLayNet-PT
• 包含 140 万页的数据集
• 从 DocFM 数据集中提取，涵盖了来自 CommonCrawl、维基百科和商业相关文档的独特 PDF 文档。
• 该数据集通过一系列处理步骤进行了弱标注，包括布局元素、表格结构、语言、主题和图像分类的标注。
• Docmatix
• 为了保留 SmolVLM 的原始 DocVQA 能力，对 Docmatix 数据集中的 130 万文档应用了与 DocLayNet-PT 相同的弱标注策略，并引入了将多页文档转换为 DocTags 的指令。

特定任务的数据集

• 布局：
• 为了优化文档布局和表格结构的预测质量，从 DocLayNet-PT 中抽取了 76K 页进行人工标注和严格的质量审查，形成了 DocLayNet v2 数据集。
• 从 WordScape 中提取了 63K 页，并合成生成了 250K 页的 SynthDocNet 数据集，以增强模型对不同布局、颜色和字体的适应能力。
• 表格：
• 在 PubTables-1M、FinTabNet、WikiTableSet 和从 WordScape 文档中提取的表格信息上训练模型，并将表格结构信息转换为 OTSL 格式。
• 图表：
• 为了填补现有图表数据集在数量和视觉多样性方面的不足
• 使用来自 FinTabNet 数据集的 90,000 个表格数据生成了包含 250 万张视觉多样图表的 SynthChartNet 数据集。

• 代码：
• 为了满足技术书籍和科学文档中代码片段处理的需求
• 使用 LaTeX 和 Pygments 生成了包含 56 种编程语言的 930 万段视觉多样代码的 SynthCodeNet 数据集。

• 公式：
• 结合公开数据集和从 arXiv 提取的公式，创建了一个包含 550 万独特公式的 SynthFormulaNet 数据集。