ibm-granite/granite-4.0-3b-vision · Hugging Face

モデル概要: Granite-4.0-3B-Vision は、企業向けの文書データ抽出のために設計された視覚言語モデル（VLM）です。超コンパクトなモデルではしばしば難しい、専門的で複雑な抽出タスクに焦点を当てています：

• チャート抽出: チャートを構造化され機械可読な形式（Chart2CSV、Chart2Summary、Chart2Code）へ変換
• 表抽出: 文書画像から、複雑なレイアウトを伴う表を JSON、HTML、または OTSL へ正確に抽出
• セマンティック・キー・バリュー・ペア（KVP）抽出: 多様な文書レイアウトにまたがって、キー名と説明に基づいて値を抽出

本モデルは Granite 4.0 Micro の上に LoRA アダプタとして提供されており、1つのデプロイで、マルチモーダルな文書理解とテキストのみのワークロードの両方をサポートできるようになっています。ベースモデルはアダプタを読み込まずにテキストのみのリクエストを処理します。詳細は モデルアーキテクチャ を参照してください。

専門的な文書抽出タスクに重点を置いていますが、本モデルは現在の Granite-Vision-3.3 2B の機能を維持し、さらに拡張しています。これにより、既存の利用者がワークフローに変更を加えることなくシームレスに導入できるようになっています。画像から詳細な自然言語記述を生成する（画像-to-テキスト）などの、視覚言語タスクにも対応し続けます。本モデルは単体で利用でき、Docling とシームレスに統合することで、高度な視覚理解能力を活かした文書処理パイプラインを強化できます。