Granite 4.0 3B Vision: A Revolução Compacta em Inteligência Multimodal para Documentos Empresariais
IBM e Hugging Face lançam Granite 4.0 3B Vision para o mercado corporativo
A IBM, em parceria com a Hugging Face, anunciou o lançamento do Granite 4.0 3B Vision, um modelo compacto de visão e linguagem multimodal (VLM) especialmente desenvolvido para a compreensão e extração de informações em documentos empresariais complexos. Esse lançamento representa um avanço significativo na automação da análise de documentos que combinam textos, tabelas, gráficos e formulários, trazendo maior eficiência e precisão para empresas que lidam com grandes volumes de dados visuais e textuais.
Características técnicas e inovações do Granite 4.0 3B Vision
O modelo se destaca por sua capacidade de interpretar e extrair dados de estruturas complexas, como:
- Extração de tabelas: interpreta com precisão tabelas complexas, incluindo multi-linhas e multi-colunas, diretamente de imagens de documentos.
- Compreensão de gráficos: converte gráficos e figuras em formatos estruturados legíveis por máquinas, além de gerar resumos e códigos executáveis.
- Extração semântica de pares chave-valor (KVP): identifica e associa campos chave-valor semanticamente relevantes em diferentes layouts de documentos.
Além disso, o Granite 4.0 3B Vision é implementado como um adaptador LoRA sobre o modelo denso Granite 4.0 Micro, possibilitando operar em dois modos — multimodal para documentos que envolvem imagens e texto, e texto puro para casos que não demandam visão computacional. Isso facilita a integração em pipelines corporativos, mantendo a modularidade e eficiência.
Como o modelo foi desenvolvido: ChartNet, DeepStack e modularidade
O desempenho do Granite 4.0 3B Vision se apoia em três pilares tecnológicos:
- ChartNet: um dataset multimodal com 1,7 milhão de gráficos sintéticos que combina código, imagem, tabelas, resumos em linguagem natural e perguntas e respostas, permitindo ao modelo entender profundamente o conteúdo dos gráficos, não apenas descrevê-los.
- DeepStack: uma arquitetura inovadora que injeta características visuais em múltiplas camadas do modelo, separando o processamento de alta semântica e o detalhamento espacial. Isso garante melhor percepção de "o que" e "onde" no documento.
- Modularidade: o modelo é um adaptador LoRA que se integra ao Granite 4.0 Micro, permitindo que o mesmo sistema suporte tarefas multimodais e apenas de texto, simplificando o uso em ambientes empresariais.
Resultados e desempenho comprovados em benchmarks
Nos testes realizados, o Granite 4.0 3B Vision apresentou resultados expressivos:
- Em gráficos: alcançou 86,4% na métrica Chart2Summary, a melhor entre modelos avaliados, incluindo concorrentes maiores, e 62,1% em Chart2CSV, ficando atrás apenas do Qwen3.5-9B, modelo com mais do dobro do tamanho.
- Em extração de tabelas: liderou benchmarks como PubTables-v2 (92,1% em tabelas recortadas e 79,3% em páginas completas), OmniDocBench (64,0%) e TableVQA (88,1%), medidos pela métrica TEDS que avalia estrutura e conteúdo.
- Na extração semântica KVP: atingiu 85,5% de acurácia em correspondência exata no benchmark VAREX, que inclui formulários governamentais complexos.
Aplicações práticas e integração com Docling
O Granite 4.0 3B Vision pode ser utilizado de duas formas principais:
- Como motor independente: para extração visual em imagens isoladas, ideal para integrar em fluxos já existentes que precisam de extração pontual sem alterar sistemas upstream.
- Integrado ao Docling: para pipelines completos de processamento de documentos, com detecção automática, segmentação e recorte de elementos visuais (tabelas, gráficos, figuras), que são encaminhados para análise detalhada pelo modelo, otimizando custos computacionais e aumentando a velocidade e precisão.
Entre os casos de uso destacam-se:
- Processamento de formulários, faturas e recibos, extraindo campos estruturados e gerando descrições detalhadas de imagens.
- Análise de relatórios financeiros, convertendo gráficos e tabelas em dados estruturados para facilitar a tomada de decisões.
- Inteligência documental para pesquisas, tornando conteúdo visual de documentos acadêmicos acessível e pesquisável junto ao texto.
Disponibilidade e como experimentar
O Granite 4.0 3B Vision está disponível gratuitamente na plataforma Hugging Face sob licença Apache 2.0. Desenvolvedores e empresas podem acessar a documentação completa, detalhes técnicos, metodologia de treinamento e resultados dos benchmarks no blog oficial da Hugging Face.
Para experimentar o modelo, é possível utilizar a interface de demonstração no site da Hugging Face, além de integrar via API em projetos próprios. A Hugging Face também oferece recursos adicionais como o Docling e datasets relacionados para ampliar as capacidades de processamento documental.