IBM presenta Granite 4.0 3B Vision, un VLM compacto especializado en comprensión de documentos empresariales

IBM ha lanzado Granite 4.0 3B Vision, un modelo de visión y lenguaje (VLM, por sus siglas en inglés) ligero diseñado específicamente para el procesamiento de documentos empresariales. Anunciado a través del blog de Hugging Face, el modelo se centra en tres capacidades clave: extracción de estructuras de tablas, interpretación de gráficos y extracción semántica de pares clave-valor (KVP). Se distribuye como un adaptador LoRA sobre Granite 4.0 Micro, el modelo de lenguaje denso de IBM.

Por qué esto es relevante

Automatizar la extracción de información de documentos empresariales —facturas, contratos, informes y formularios financieros— ha sido durante mucho tiempo un desafío persistente. Las soluciones convencionales de reconocimiento óptico de caracteres (OCR) tienen dificultades con diseños complejos o datos codificados visualmente, como gráficos y diagramas.

Granite 4.0 3B Vision apunta directamente a este vacío. Al mantener el número de parámetros en torno a los 3B mientras optimiza la comprensión de estructuras documentales, el modelo busca reducir los costes de inferencia y la complejidad de despliegue en comparación con modelos generalistas de gran escala, lo que lo hace más viable para integrarse en flujos de trabajo internos empresariales.

El soporte oficial para Docling, la biblioteca de procesamiento de documentos de código abierto, añade una ventaja práctica para los equipos que construyen pipelines empresariales. El modelo puede operar de forma independiente o como parte de un pipeline más amplio.

Qué cambia respecto a los enfoques existentes

Tres innovaciones distinguen a Granite 4.0 3B Vision de los VLM convencionales.

① ChartNet: un dataset especializado en comprensión de gráficos

Los gráficos son notoriamente difíciles para los VLM, ya que comprenderlos exige razonar simultáneamente sobre patrones visuales, datos numéricos y lenguaje natural. El equipo de IBM abordó esto desarrollando ChartNet, un dataset de escala millonaria construido mediante un pipeline de síntesis guiado por código.

ChartNet comprende 1,7 millones de muestras de gráficos diversas que abarcan 24 tipos de gráficos y 6 bibliotecas de trazado. Cada muestra incluye cinco componentes alineados: código de trazado, imagen renderizada, tabla de datos, resumen en lenguaje natural y pares de preguntas y respuestas. Esta investigación se presentará en CVPR 2026.

② Arquitectura DeepStack: inyección de características visuales por capas

La inyección DeepStack dirige las características visuales abstractas a las capas anteriores para la comprensión semántica y las características espaciales de alta resolución a las capas posteriores para preservar el detalle. El resultado es un modelo que comprende tanto qué hay en un documento como dónde está.

③ Diseño modular: despliegue práctico mediante adaptador LoRA

En lugar de ser un modelo independiente, Granite 4.0 3B Vision se distribuye como adaptador LoRA sobre Granite 4.0 Micro. Esto significa que un único despliegue puede atender cargas de trabajo tanto multimodales como de solo texto.

[Análisis experto] El auge de los modelos especializados ligeros está redefiniendo la estrategia de IA empresarial

Este lanzamiento refleja una tendencia más amplia: junto a la carrera por modelos de propósito general cada vez más grandes, los modelos ligeros especializados en dominios específicos están consolidando su propio espacio en los mercados de IA empresarial.

Para las empresas, modelos como GPT-4o o Gemini 1.5 Pro conllevan altos costes de inferencia por documento y son difíciles de desplegar en local por requisitos de seguridad y cumplimiento normativo. Un modelo especializado de escala 3B que pueda ejecutarse en servidores internos o entornos perimetrales —con un rendimiento adecuado al propósito— tiene una alta probabilidad de convertirse en una opción cada vez más atractiva.

La prevista publicación del dataset ChartNet en CVPR 2026 también es destacable. Una vez disponible, podría acelerar los esfuerzos de ajuste fino en toda la industria y elevar el listón para la comprensión de gráficos en modelos competidores. No obstante, la validación en entornos reales sigue siendo clave.