Granite Vision

Granite VisionはIBMの小型視覚言語モデルです。2025年2月のGranite 3.2更新の一部として公開され、一般的な画像チャットではなく、文書の視覚的な理解を目的に作られました。20億パラメータで、表、グラフ、インフォグラフィック、プロット、スキャン文書を読み取り、構造化テキストに変換します。DocVQAやChartQAなどのベンチマークを対象とし、IBMは数倍の規模を持つオープンモデルに匹敵するとしています。大規模なマルチモーダルモデルを動かすのが現実的でない、請求書の解析やレポートからのデータ抽出など日常的な企業業務向けに、小さなモデルサイズを意図的に選びました。コンテキスト長は16Kで、Apache 2.0のオープンウェイトとしてHugging FaceとIBM watsonxから提供されます。3.3版やGranite 4.0の視覚モデルも、同じ文書理解中心の設計を引き継いでいます。