/ Модель

Характеристики

Контекст
8 192 токена
Лицензия
Apache 2.0
Архитектура
idefics3 · dense
Базовая модель
granite-docling-258M
Библиотека
transformers
Опубликована
2 окт 2026

granite-docling-258M-bitnet

Изображение и текст → текст

Компактная мультимодальная модель для извлечения текста и структуры из изображений документов с ternary-квантованным декодером BitNet b1.58.

148скачиваний за 30 дней1лайквеса обновлены11 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель tevfikk/granite-docling-258M-bitnet — разработанная на основе IBM Granite-Docling-258M компактная мультимодальная модель для извлечения текста и структуры из документов. Она принимает изображения документов и формирует текстовую разметку DocTags; подходит для OCR, разбора макетов страниц, таблиц, диаграмм, формул и блоков кода, а также для вопросов по содержимому документов.

Модель использует архитектуру Idefics3: визуальный энкодер SigLIP2, Pixel Shuffle-проектор и декодер Granite. По карточке, около 165 млн параметров декодера преобразованы в ternary-представление BitNet b1.58 со значениями весов −1, 0 и +1; всего модель содержит примерно 258 млн параметров. Авторы сообщают о снижении памяти декодера примерно в 3,2 раза и сходстве логитов 89,12% с исходной моделью. Карточка указывает английский и мультиязычный охват, но не приводит конкретный перечень поддерживаемых языков.

Модель предназначена для извлечения структуры из документов, включая многостраничные документы, счета, формы, математические формулы, таблицы и диаграммы, с возможностью использования на периферийных устройствах. Это дообученная и дистиллированная версия базовой модели; веса опубликованы в формате safetensors. Лицензия — Apache-2.0.

Сценарии применения

  • распознавание текста и разметки на сканах документов
  • извлечение структуры таблиц и ячеек
  • разбор счетов, форм и многостраничных документов
  • извлечение формул и их координат из изображений
  • распознавание диаграмм и инфографики
  • извлечение блоков кода и их расположения в документе

Ограничения

Веса декодера имеют низкую ternary-точность; в карточке приведено сходство логитов 89,12% с исходной моделью, что указывает на возможное снижение точности относительно базовой версии. Конкретные поддерживаемые языки помимо английского не перечислены.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Granite-Docling-258M-BitNet-1.58b

This repository hosts a BitNet b1.58 ternary (-1, 0, +1) quantized edition of IBM's ibm-granite/granite-docling-258M (Idefics3 architecture).

Trained via End-to-End Multimodal Knowledge Distillation with Straight-Through Estimators (STE) on the Edge-Intelligence framework. This model quantizes matrix multiplication operations in the language decoder into multiplication-free ternary addition and subtraction. This reduces the parameter memory footprint by ~3.2× - 4.4× and achieves a 89.12% logit cosine similarity to the original teacher model over the full 100,352 token vocabulary.


📊 Benchmark Highlights

MetricOriginal FP16 / BF16BitNet b1.58 (This Model)Improvement / Difference
Model Size (Language Decoder)~330 MB103.0 MB (Packed Ternary)3.2× Decoder Compression
C99 Standalone Container (.eifm)728 MB165.0 MB (Dense EIFM)4.4× Edge Compression
Weight Precision16-bit Float1.58-bit Ternary (-1, 0, +1)10.1× Weight Bit Density
Logit Cosine Similarity1.00000.8912 (89.12%)Near theoretical limit for 100k vocab
Feature Cosine Similarity (FeatSim)1.00000.7776 (77.76%)Latent semantic fidelity
Top-1 Token Agreement<doctag> (100327)<doctag> (100327)100% Exact Match on Layouts
C99 Inference Throughput (AVX2)~32 tok/s123.6 - 156.6 tok/s~3.9× - 4.8× Speedup
Latency per Token (C99)31.2 ms6.38 - 8.09 msUltra-responsive streaming

🏗️ Model Architecture

  • Base Model: ibm-granite/granite-docling-258M
  • Vision Backbone: SigLIP2 Vision Encoder (frozen BF16 ViT backbone, preserving high-resolution document OCR and layout token embeddings)
  • Multimodal Connector: Pixel Shuffle Projector (linear dimension connector, 4× spatial reduction)
  • Language Decoder: Granite 165M Decoder (GQA 8:2, 12 layers, hidden size 768) converted completely to BitLinear b1.58 layers
  • Ternary Packing: 5 ternary weights $\in {-1, 0, +1}$ packed per byte ($3^5 = 243 \le 255$)
  • Total Parameters: ~258M (Decoder: ~165M, Vision + Connector: ~93M)

🔬 Training & Distillation Methodology

1. Straight-Through Estimator (STE) Quantization

Weights are ternary-quantized dynamically with per-tensor mean absolute scale: $$\mathbf{W}_{\text{ternary}} = \text{Round}\left(\text{Clip}\left(\frac{\mathbf{W}}{\gamma}, -1, 1\right)\right), \quad \gamma = \frac{1}{nm} |\mathbf{W}|1$$ Activations are scaled to 8-bit integers per token using absolute maximum scaling: $$\mathbf{X}{\text{int8}} = \text{Clip}\left(\text{Round}\left(\mathbf{X} \times \frac{127}{\max(|\mathbf{X}|)}\right), -128, 127\right)$$

2. Multi-Objective Distillation Loss

  • Supervised Cross-Entropy ($\mathcal{L}_{\text{CE}}$): Next-token prediction on valid assistant DocTags (converged to $\sim 0.39 - 0.49$).
  • KL-Divergence Distillation ($\mathcal{L}_{\text{KD}}$): Full-vocabulary logit matching at temperature $T = 2.0$ (converged to $\sim 0.84 - 0.96$).
  • Feature Representation Alignment ($\mathcal{L}_{\text{feat}}$): Cosine similarity minimization over decoder hidden states.

📚 Training Datasets

Trained directly on official IBM document extraction and layout datasets:

  1. HuggingFaceM4/DoclingMatix (50%): Real multi-page document images, PDFs, invoices, forms, structured document QA, and DocTags layout annotations.
  2. ds4sd/SynthCodeNet (20%): Synthesized code blocks with pixel bounding-box DocTags (<code><loc_...>).
  3. ds4sd/SynthFormulaNet (15%): Dense LaTeX mathematical formulas with layout coordinates (<formula><loc_...>).
  4. ds4sd/SynthChartNet (15%): Charts, infographics, and table structure extractions with cell coordinates.

📈 Training History & Token Statistics

The model underwent four cumulative training stages with an effective batch size of 64 document images per step.

PhaseDescriptionStepsEffective Batch SizeDocument SamplesMultimodal Context TokensSupervised DocTag Tokens
Phase 1Pre-training & VQA Distillation4,67264 (32 × 2)299,008~285.1M~27.8M
Phase 2Targeted QAT DocTags Tuning1,00064 (4 × 16)64,000~61.0M~6.0M
Phase 3Extended Overnight QAT Fine-tuning1,50064 (4 × 16)96,000~91.5M~8.9M
Phase 4Cosine Warm Restart & Saturation Tuning1,12664 (4 × 16)72,064~68.7M~6.7M
TotalCumulative Training Pipeline8,29864531,072~506.3M~49.4M
  • Average multimodal sequence length: ~953 tokens/sample (vision patches + prompt + DocTags).
  • Directly optimized DocTags output: ~93 tokens/sample.
  • Total Training Tokens Processed: ~506.3 Million multimodal tokens across all cumulative phases.
  • Convergence State: The model reached diminishing returns with sustained logit cosine similarity of 0.8912, saturating the parameter capacity of 1.58-bit ternary representations.

🖥️ Hardware & Training Infrastructure

The training pipeline was executed on the following infrastructure:

  • Hardware: NVIDIA GB10 (12 GB VRAM)
  • Active VRAM Usage: ~3.0 GB active / ~11.0 GB reserved (via selective token masking & gradient checkpointing)
  • Optimizer: 8-bit PagedAdamW (bitsandbytes) with weight decay $1 \times 10^{-4}$
  • Learning Rate Schedule: Warm restart cosine annealing ($\text{LR}{\max} = 1.5 \times 10^{-4}$, $\text{LR}{\min} = 1 \times 10^{-5}$)
  • Throughput: ~0.03 steps/s (~33 seconds per accumulated batch of 64 pages)

🛠️ Usage via Hugging Face (transformers)

import torch
from transformers import AutoProcessor, Idefics3ForConditionalGeneration
from PIL import Image

device = "cuda" if torch.cuda.is_available() else "cpu"
model_id = "tevfikk/granite-docling-258M-bitnet"

processor = AutoProcessor.from_pretrained(model_id)
model = Idefics3ForConditionalGeneration.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map=device
)

image = Image.open("sample_document.png").convert("RGB")
prompt = (
    "<|start_of_role|>user<|end_of_role|><image>Convert this page to docling.<|end_of_text|>\n"
    "<|start_of_role|>assistant<|end_of_role|>"
)

inputs = processor(text=prompt, images=[image], return_tensors="pt").to(device)
with torch.no_grad():
    generated_ids = model.generate(**inputs, max_new_tokens=128, do_sample=False)

output = processor.batch_decode(
    generated_ids[:, inputs.input_ids.shape[1]:], skip_special_tokens=False
)[0]
print(output)
# Output: <doctag><section_header_level_1>INVOICE #9812</section_header_level_1>...

⚡ Standalone C99 Edge Binary (eif-runtime)

For microcontrollers, Raspberry Pi, and edge accelerators without Python or CUDA:

# 1. Clone & build the zero-dependency C99 runtime
git clone https://github.com/tevfik/eif-runtime.git
cd eif-runtime && mkdir build && cd build && cmake .. && make -j

# 2. Run at 156+ tokens/sec using AVX2/NEON multiplication-free kernel
./bin/eif_infer --model granite_docling_bitnet_dense.eifm --image sample_document.png

📜 Citation & Credits

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Idefics3ForConditionalGeneration
Ревизия весов
98e0291

0 моделей