Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com27. September 2025 · Q011375

IBM’s Granite Docling: A New Open-Source Multimodal Model for Smarter Document AI

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht stellt Granite Docling als quelloffenes Modell vor, das Text und visuelle Dokumentmerkmale aus PDFs in strukturierte Formate wie Markdown oder HTML umwandeln soll. Es soll mehrere Dokumentaufgaben bündeln, bleibt laut Artikel jedoch auf Dokumente spezialisiert, kann Fehler machen und wird nicht durch quantitative Vergleichsergebnisse belegt.

Mittel

Der Bericht beschreibt IBM Granite Docling als quelloffenes, multimodales Modell, das PDF-Inhalte einschließlich Text, Layout, Formeln und Bildern erfassen und etwa in Markdown oder HTML ausgeben soll. Es basiert laut Artikel auf IDEFICS3 mit einem neuen Vision-Encoder (siglip2-base-patch16–512) und dem kleineren Granite-165M-Sprachmodell. Docling soll unter anderem Formeln und Tabellen verarbeiten, einzelne Dokumentbereiche gezielt untersuchen, Fragen zum Dokument beantworten und mehrere zuvor getrennte Aufgaben in einem Modell bündeln. Mehrsprachige Unterstützung für Japanisch, Arabisch und Chinesisch wird als experimentell beschrieben.

Für das Training seien synthetische Datensätze zu Code, Mathematik und Diagrammen sowie reale Dokumentbeispiele verwendet worden; trainiert worden sei auf IBMs Blue-Vela-H100-Cluster. Der Artikel zeigt Befehle, mit denen sich über die Docling-Bibliothek HTML, Markdown und eine Layoutansicht erzeugen lassen. Er betont zugleich, dass das Modell kein allgemeines Bildmodell ist und Fehler machen kann. Als zusätzliche Sicherheitsprüfung empfiehlt IBM dem Bericht zufolge Granite Guardian. Quantitative Vergleiche oder unabhängige Testergebnisse liefert der Text nicht.

Ausführlich lesen

Der Bericht stellt IBM Granite Docling als quelloffenes, multimodales Modell für die Verarbeitung von Dokumenten vor. Ausgangspunkt ist das bekannte Problem, dass bei der Textextraktion aus PDFs Formeln, Tabellen und Formatierung verloren gehen können. Docling soll Dokumente anhand von Text und visuellen Merkmalen wie Layout, Formeln und Bildern erfassen und in strukturierte Formate wie Markdown oder HTML umwandeln.

Laut Bericht basiert das Modell auf IDEFICS3, wobei IBM den Vision-Encoder durch siglip2-base-patch16–512 und das Sprachmodell durch Granite 165M ersetzt hat. Der Artikel hebt hervor, dass Docling mehrere Aufgaben in einem Modell zusammenführen soll, für die andere Dokumentwerkzeuge oft getrennte Modelle für OCR, Mathematik oder Tabellen verwenden. Zu den genannten Funktionen gehören die Erkennung von Formeln, die gezielte Verarbeitung einzelner Dokumentbereiche, stabilere Durchläufe und eine Frage-Antwort-Funktion, mit der sich etwa nach einem Anhang fragen lasse. Japanisch, Arabisch und Chinesisch werden als experimentell unterstützte Sprachen bezeichnet.

Als Aufbau nennt der Bericht drei Bestandteile: Vision-Encoder, Pixel-Shuffle-Verbindung aus IDEFICS3 und Granite-165M-Sprachmodell. Für das Training habe IBM synthetische Datensätze für Code, Formeln und Diagramme sowie reale Dokumentbeispiele zusammengestellt. Genannt werden SynthCodeNet, SynthFormulaNet, SynthChartNet und DoclingMatix. Trainiert worden sei das Modell auf IBMs Blue-Vela-H100-Cluster. Diese Angaben werden im Text berichtet; unabhängige Messwerte oder ein Vergleich der Ergebnisse werden nicht vorgelegt.

Der Artikel beschreibt auch einen praktischen Einstieg über die Docling-Bibliothek: Nach der Installation soll ein Kommandozeilenaufruf PDFs – auch über eine URL – als HTML und Markdown ausgeben können. Ein weiteres Beispiel erzeugt eine geteilte Seitenansicht mit Layoutdarstellung.

Die Grenzen werden ausdrücklich eingeräumt: Granite Docling sei kein allgemeines Bildverständnismodell und solle weder Fotos beschreiben noch beliebige KI-Aufgaben lösen. Als kleineres Modell könne es Fehler machen. Der Bericht empfiehlt den Einsatz mit Granite Guardian als zusätzlicher Sicherheitsprüfung. Insgesamt bewertet der Autor das Modell als Fortschritt für die Dokumentverarbeitung, ohne dafür im Artikel quantitative Belege oder systematische Testergebnisse anzuführen.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Lunas Zusammenfassung liegt in zwei Fassungen vor (kurz und mittel); bewertet wurden beide gemeinsam, wobei die Mittelfassung die treuere ist und die Kurzfassung die oben genannten Auslassungen hat. Die Einordnung erfolgte unabhängig von Lunas Stufen und Anteilen und stützt sich ausschließlich auf den Bericht.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Kurzfassung nennt weder die Architektur (IDEFICS3) noch die Trainingsdaten (synthetische Datensätze, DoclingMatix) und Blue Vela.
  • Die Kurzfassung erwähnt Granite Guardian nicht als empfohlene Sicherheitsschicht.
  • Die Mittelfassung lässt die Befehle für Docling und die Split-Page-Layoutansicht nur teilweise aus; das Zählen der Befehle ist aber kein zentraler Punkt.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 48 %einzelne zitierbare Belege
    • amos 50 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 37 %Hintergrund, keine Belege
    • JEV 39 %einzelne zitierbare Belege
    • amos 27 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 54 %einzelne zitierbare Belege
    • JEV 61 %einzelne zitierbare Belege
    • amos 29 %nur am Rande erwähnt
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 51 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 50 %umfangreiche Belege
    • JEV 58 %beantwortet direkt und ausführlich
    • amos 41 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 31 %gleiches Oberthema, hilft nicht
    • d3-ultra 50 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung einzelne zitierbare Belege
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 54 %Hintergrund, keine Belege
    • JEV 60 %einzelne zitierbare Belege
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 48 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
Wirtschaft und Haftung
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →