SmolDocling 采用约 256M 参数的视觉语言模型，把整页文档转换为 DocTags 标记，记录内容、结构和空间位置，覆盖表格、代码、公式与列表等元素。
这篇早期技术报告强调端到端转换，减少多个专用组件拼接的复杂度。作者在不同文档类型中进行了比较，但模型大小和基准成绩仍不能替代对真实扫描件的测试。
SmolDocling 用小模型保留文档结构与位置
SmolDocling 采用约 256M 参数的视觉语言模型，把整页文档转换为 DocTags 标记，记录内容、结构和空间位置，覆盖表格、代码、公式与列表等元素。