This page contains models that power the PDF document converion package docling. The layout model will take an image from a page and apply RT-DETR model in order to find different layout components. It currently detects the labels: Caption, Footnote, Formula, List-item, Page-footer, Page-header, Picture, Section-header, Table, Text, Title. As a reference (from the DocLayNet-paper), this is the performance of standard object detection methods on the DocLayNet dataset compared to human evaluation, The tableformer model will identify the structure of the table, starting from an image of a table. It uses the predicted table regions of the layout model to identify the tables. Tableformer has SOTA table structure identification,
翻訳待ち・原文を表示
入力 テキスト→ 出力 テキスト
This is an image classification model based on **Google EfficientNet-B0**, fine-tuned to classify input images into one of the following 16 categories: 1. **bar_chart** 2. **bar_code** 3. **chemistry_markush_structure** 4. **chemistry_molecular_structure** 5. **flow_chart** 6. **icon** 7. **line_chart** 8. **logo** 9. **map** 10. **other** 11. **pie_chart** 12. **qr_code** 13. **remote_sensing** 14. **screenshot** 15. **signature** 16. **stamp**
翻訳待ち・原文を表示
分類準備中
入力 未確認→ 出力 未確認
This is an image classification model based on **Google EfficientNet-B0**, fine-tuned to classify input images into one of the following 26 categories: 1. **logo** 2. **photograph** 3. **icon** 4. **engineering_drawing** 5. **line_chart** 6. **bar_chart** 7. **other** 8. **table** 9. **flow_chart** 10. **screenshot_from_computer** 11. **signature** 12. **screenshot_from_manual** 13. **geographical_map** 14. **pie_chart** 15. **page_thumbnail** 16. **stamp** 17. **music** 18. **calendar** 19. **qr_code** 20. **bar_code** 21. **full_page_image** 22. **scatter_plot** 23. **chemistry_structure** 24. **topographical_map** 25. **crossword_puzzle** 26. **box_plot**
翻訳待ち・原文を表示
分類準備中
入力 未確認→ 出力 未確認
This is an image classification model based on **Google EfficientNet-B0**, fine-tuned on a subset of the subset of HuggingFace/finepdfs to classify document figures into one of the following 26 categories: 1. **logo** 2. **photograph** 3. **icon** 4. **engineering_drawing** 5. **line_chart** 6. **bar_chart** 7. **other** 8. **table** 9. **flow_chart** 10. **screenshot_from_computer** 11. **signature** 12. **screenshot_from_manual** 13. **geographical_map** 14. **pie_chart** 15. **page_thumbnail** 16. **stamp** 17. **music** 18. **calendar** 19. **qr_code** 20. **bar_code** 21. **full_page_image** 22. **scatter_plot** 23. **chemistry_structure** 24. **topographical_map** 25. **crossword_puzzle** 26. **box_plot** **Note:** This model uses the same architecture and implementation as v2.0. The improved performance is achieved by training on a dataset that is 10 times larger than the one used for v2.0.
翻訳待ち・原文を表示
入力 画像→ 出力 未確認
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト · 画像→ 出力 テキスト
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 画像→ 出力 未確認
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト · 画像→ 出力 テキスト
📢 New Release: We’ve released granite-docling-258M , the successor to SmolDocling . It will now receive updates and support, check it out! SmolDocling-256M-preview SmolDocling is a multimodal Image-Text-to-Text model designed for efficient document conversion. It retains Docling's most popular features while ensuring full compatibility with Docling through seamless support for DoclingDocuments . This model was presented in the paper SmolDocling: An ultra-compact vision-language model for end-to-end multi-modal document conversion.
翻訳待ち・原文を表示
入力 テキスト · 画像→ 出力 テキスト
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
入力 テキスト · 画像→ 出力 テキスト
> [!WARNING] > **Preview model.** TableFormerV2 is a preview release. Its weights, outputs, and > integration options can change in future releases without notice. The default > table structure model in Docling is still > TableFormer V1. TableFormerV2 is a table structure recognition model for Docling. It takes an image of a table and predicts its structure as an OTSL token sequence, together with a bounding box for each cell. Docling then maps the cells back to the text of the document to build a `TableItem` in the `DoclingDocument`. Docling downloads the weights from this repository automatically the first time you use the model. To download them before you run a conversion (for example, for offline use), run:
翻訳待ち・原文を表示
入力 画像→ 出力 テキスト
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
入力 テキスト→ 出力 テキスト
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 テキスト
This model follows the Mistral v7 Tekken prompt format. Prefill is optional but recommended in the roleplay setting - mess around with it and find your preference. A typical input would look like this: Note that I've included the example dialogues as a block in the Story String, so you should set the chat example behavior set to `Never include examples` on the settings tab if you wish to use my preset. Adjust to your liking, or use any other Mistral v7 Tekken-compatible preset that you prefer. Thank you to Gryphe for his advice on training rsLoRA from his experience training his own excellent models.
翻訳待ち・原文を表示
入力 テキスト→ 出力 テキスト
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 画像
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
分類準備中
入力 未確認→ 出力 未確認
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 画像
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 テキスト
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
分類準備中
入力 未確認→ 出力 未確認
"transcribe-translate" models provide signatures for "serving_transcribe" and "serving_translate" to force the model to perform a certain action @tf.function( input_signature=[ tf.TensorSpec((1, 80, 3000), tf.float32, name="input_features"), ], ) def transcribe(self, input_features): outputs = self.model.generate( input_features, max_new_tokens=450, # change as needed return_dict_in_generate=True, forced_decoder_ids=[[2, 50359], [3, 50363]], # forced to transcribe any language with no timestamps ) return {"sequences": outputs["sequences"]} @tf.function( input_signature=[ tf.TensorSpec((1, 80, 3000), tf.float32, name="input_features"), ], ) def translate(self, input_features): outputs = self.model.generate( input_features, max_new_tokens=450, # change as needed return_dict_in_generate=True, forced_decoder_ids=[[2, 50358], [3, 50363]], # forced to translate any language with no timestamps ) return {"sequences": outputs["sequences"]}
翻訳待ち・原文を表示
入力 音声→ 出力 テキスト
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
分類準備中
入力 未確認→ 出力 未確認
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
入力 テキスト→ 出力 テキスト
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
入力 テキスト→ 出力 テキスト
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
分類準備中
入力 未確認→ 出力 未確認
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 画像
