IBM 发布了 Granite 4.0 3B Vision，这是一款紧凑、模块化的视觉语言模型，通过创新的 DeepStack 架构和 ChartNet 数据集，针对表格提取和图表理解等企业文档任务进行了优化。
📝 详细摘要
IBM 推出了 Granite 4.0 3B Vision，这是一款专为企业文档处理而设计的 30 亿参数视觉语言模型（VLM）。与单体模型不同，它作为 LoRA 适配器在 Granite 4.0 Micro 基础模型之上实现，支持高效的多模态或纯文本部署。该模型在表格提取、图表推理和键值对（KVP）解析方面的卓越表现归功于两大创新：包含 170 万个对齐图表样本的海量合成数据集 ChartNet，以及在多层注入视觉特征以平衡语义理解与空间精度的 DeepStack 架构。基准测试显示，它在图表摘要和表格提取方面优于更大的模型。该模型以 Apache 2.0 许可证发布，并与 Docling 流水线集成，以实现端到端的文档智能。
💡 主要观点
- Granite 4.0 3B Vision 是一款针对结构化文档提取优化的紧凑型 VLM。 它专注于三个核心企业需求：复杂表格解析、图表转结构化数据，以及语义键值对识别。
💬 文章金句
- Granite 4.0 3B Vision 是一款专为企业文档理解而设计的紧凑型视觉语言模型（VLM）。
- 该模型作为 Granite 4.0 Micro 之上的 LoRA 适配器发布，保持了视觉和语言的模块化，以便进行纯文本回退。
- DeepStack 注入：抽象视觉特征被路由到早期层以进行语义理解，而高分辨率空间特征则被馈送到后期层以保留细节。
- ChartNet 使用代码引导的合成流水线生成了 170 万个多样化的图表样本……为模型提供了关于图表含义的深度跨模态视图。
📊 文章信息
AI 评分：91
来源：Hugging Face Blog
作者：Madison Lee, Rogerio Feris, Eli Schwartz, Dhiraj Joshi, Pengyuan Li, Isaac Sanchez
分类：人工智能
语言：英文
阅读时间：5 分钟
字数：1166
标签： VLM, IBM Granite, 文档理解, 表格提取, ChartNet