【2026 最新】Docling 模型來源怎麼查？五步建立離線 OCR 資產清單與驗收紀錄

你把掃描檢驗報告留在電腦裡，用 OCR（光學字元辨識，把圖片上的字變成文字）整理成表格。客戶接著問：「你用的是哪個模型？權重從哪下載？基底又是什麼？」這時，只回答「我用 Docling，而且離線跑」，還交不出一份可追查的 Docling 模型來源清單。

這篇寫給第一次負責文件自動化、願意把幾行指令交給工程同事一起執行的讀者。我們用虛構的檢驗報告情境，拆成五步：訂條件、選管線、留資產證據、斷網驗證、交付品質紀錄。你會得到一套盤點方法；文中的十頁報告是驗收設計，並非 AlphaLab 已完成的 OCR 測試成績。

先說結論：可追溯＝配置＋檔案指紋＋來源證據＋重跑紀錄

把模型清單想成一間廚房的進貨簿。Docling 是安排工作順序的廚房；版面、表格、OCR 模型是不同材料；執行設定是食譜。只記店名，無法說明今天這道菜用了哪批材料。

• 程式授權、模型授權、基底與訓練資料，是四個分開的欄位；有一格已知，不能替其他格填答案。
• 預先下載的模型庫是「倉庫」；實際被這次配置讀取的檔案，才是「領料紀錄」。
• 斷網跑得完，支持的是那次配置與樣本可在該隔離環境完成；完整血緣與契約符合性仍需逐項證據。

一、先把 Docling 模型來源問題拆成五張收據

「來源」至少有五種意思：誰發布檔案、從哪個網址取得、採用哪種授權、模型沿用哪個基底、訓練資料從哪來。不要用發布者的名稱、國別或下載站台，代替其他四種答案。例如權重放在 Hugging Face，說明的是取得入口；它不是訓練歷史的完整證明。

截至 2026 年 11 月 9 日查閱，Docling 程式庫採 MIT 授權；Heron 版面模型卡標示 Apache 2.0；docling-models 儲存庫同時列出 CDLA-Permissive-2.0 與 Apache 2.0。這正是應往下看各子目錄及適用檔案、保存授權原文的原因，不能把整條管線寫成「全部 MIT」。

若你已讀過 套件來源與信任邊界教學，這裡多加了一層：安裝套件之外，第一次推論可能再取得權重、設定檔、字典與處理器。盤點應延伸到這些執行資產。

二、五步建立可交付的 Docling 模型來源清單

①「先寫採購條件」：把未知留在表上

怕工程做完才發現客戶要的是另一種「來源」？先寫一份假想允許清單。本例條件是：文件留在指定主機、關閉遠端推論、保留所有資產的取得網址與雜湊、逐項審閱授權；模型基底或訓練資料的必要資訊若證據不足，就列待確認並暫緩正式資料上線。這些是本例自行設定的條件，不是 Docling 提供的認證。

每一列至少填 stage（用途）、package_version、asset_path、source_url、revision、sha256、license_evidence、base_model_evidence、training_data_evidence 與 status。找不到的格子寫 unknown，並記錄下一個要找的文件或供應方。

驗收方式很具體：隨便選一個模型檔，另一位同事能從清單回到來源頁、固定版本與本機路徑；若只能回到某家公司首頁，證據還不夠細。

②「鎖住食譜」：明確指定 OCR，別只記預設值

Docling 的標準 PDF 管線會分工處理版面與表格，OCR 又有多種引擎可選。官方模型目錄列有 Heron、TableFormer、不同 OCR 引擎及可選 VLM（視覺語言模型，一起處理圖與文字的模型）。安裝 Docling 不代表每次都載入 Granite Docling。要看你選的是標準 PDF 管線還是 VLM 管線，以及另外開了哪些功能。

本例選標準 PDF 管線、EasyOCR 的繁中與英文，關閉圖片描述、程式碼與公式增強。這是為了讓稽核範圍容易看清，不代表此組合一定最適合你的文件。2.149.0 的設定程式碼將 OCR 預設設為自動選擇；可重查的配方應明確填入引擎與語言。

在已備妥 Python 3.10 以上的獨立工作資料夾中，先連網建立環境。以下固定 Docling 版本，並保留相依套件版本；正式搬到另一台主機時，還要備妥對應作業系統、Python 與硬體的離線安裝包。pip freeze --all 是版本快照，不是含所有安裝檔及雜湊的完整鎖檔。

python3 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip
python -m pip install "docling[easyocr]==2.149.0"
python -m pip freeze --all > requirements.snapshot.txt
python -m pip inspect > packages.json

接著把下段存成 convert_local.py。ch_tra 是此處 EasyOCR 的繁中代碼；Docling 的 EasyOCR 實作也列明其語言映射與模型目錄處理。範例只接受本機假報告，輸出 Markdown；它刻意不包含批次重試、結構化欄位抽取或生產服務。

from pathlib import Path
from docling.datamodel.base_models import InputFormat
from docling.datamodel.pipeline_options import EasyOcrOptions, PdfPipelineOptions
from docling.document_converter import DocumentConverter, PdfFormatOption

options = PdfPipelineOptions(
    artifacts_path=Path("models").resolve(),
    enable_remote_services=False,
    do_ocr=True,
    do_table_structure=True,
    do_picture_description=False,
    do_code_enrichment=False,
    do_formula_enrichment=False,
)
options.ocr_options = EasyOcrOptions(
    lang=["ch_tra", "en"], use_gpu=False,
    download_enabled=False, force_full_page_ocr=True,
)
Path("pipeline-options.json").write_text(
    options.model_dump_json(indent=2), encoding="utf-8"
)
converter = DocumentConverter(format_options={
    InputFormat.PDF: PdfFormatOption(pipeline_options=options)
})
result = converter.convert(Path("fake-report.pdf"))
Path("result.md").write_text(result.document.export_to_markdown(), encoding="utf-8")

驗收看 pipeline-options.json：OCR 是否真的是 EasyOCR、語言是否一致、模型路徑是否正確。force_full_page_ocr=True 是對本例掃描假報告要求整頁 OCR；這和一般帶文字層 PDF 的處理選擇不同。

③「清點材料」：先下載，再留固定版本與指紋

怕執行到一半才發現少一份權重？先準備明確選取的模型資產。官方下載器 2.149.0接受模型名稱與 EasyOCR 語言參數。以下分開下載版面、表格及 OCR，避免用無篩選的全模型下載當成清單。

docling-tools models download layout tableformer --output-dir ./models
docling-tools models download easyocr --easyocr-lang ch_tra --easyocr-lang en --output-dir ./models

下載完成，保存終端紀錄、實際取得網址與每個模型庫的 commit SHA（某次版本的固定編號）。main 是會移動的分支名稱；只記它，日後可能拿到不同檔案。對照下載紀錄、下載器與本機檔案，把設定檔、字典、tokenizer／processor（文字與圖片前處理資產）也列入，不能只找 .safetensors。

下面存成 inventory.py，用 Python 標準函式庫逐檔計算 SHA-256（檔案內容的指紋）。此腳本做的是目錄存貨清點：不會自動查出授權、下載來源或證明某檔真的被載入。它會拒絕跑出模型根目錄的符號連結，並以串流讀取避免一次吃進整個大檔。

from pathlib import Path
import hashlib, json

root = Path("models").resolve(strict=True)
rows = []
for path in sorted(root.rglob("*")):
    if not path.is_file():
        continue
    resolved = path.resolve(strict=True)
    resolved.relative_to(root)
    digest = hashlib.sha256()
    with resolved.open("rb") as handle:
        for chunk in iter(lambda: handle.read(1024 * 1024), b""):
            digest.update(chunk)
    rows.append({"asset_path": str(path.relative_to(root)),
                 "bytes": resolved.stat().st_size,
                 "sha256": digest.hexdigest()})
Path("assets.json").write_text(
    json.dumps(rows, ensure_ascii=False, indent=2), encoding="utf-8"
)

執行 python inventory.py 後，將 assets.json 接回前面的來源欄位。雜湊相同支持「內容與這份留存檔一致」；下載站或檔案若原本就不可信，自己算出的指紋不會把它變可信。對外部根目錄的合法共享快取，本例腳本會報錯，先把核准檔案複製到受控目錄再清點。

還要分清下載、載入、執行三種狀態：官方下載器可能取得不同推論引擎的資產；檔案存在不代表本次使用。讓工程同事保留模型初始化日誌，必要時搭配作業系統的檔案存取追蹤，將真正讀取的路徑回填為 observed_loaded；僅由設定推定的先寫 configured，其餘寫 prefetched_only。不要把設定快照包裝成完整執行追蹤。

一筆能照著填的例子：Docling 2.149.0 把 EasyOCR 資產放在 models/EasyOcr；對照 EasyOCR 1.7.2 的設定，繁中識別模型 zh_tra_g1 的檔名是 chinese.pth，下載指向官方 release 的 pre-v1.1.6/chinese.zip。先核對你的 packages.json 中 EasyOCR 版本，再開那一版設定檔，把這個 release URL、解壓後路徑與本機 SHA-256 放在同一列。若只有配方和設定證據，狀態仍是 configured；取得實際載入紀錄後才升為 observed_loaded。這個網址本身也不替模型基底或訓練資料的未知欄位作答。

④「關門試煮」：用隔離環境驗證這一份配方

怕「離線」只是因為上次已偷偷下載過？將核准的環境、模型目錄、假報告與程式搬到受控測試主機，切斷其對外網路，重新啟動程序。既有快取也應清點或隔離，避免讀到清單外的備料。不要在唯一的遠端管理連線上直接操作斷網。

HF_HUB_OFFLINE=1 python convert_local.py > run.log 2>&1
python inventory.py
python -m pip freeze --all > requirements.after.txt

Hugging Face 環境變數文件說明 HF_HUB_OFFLINE=1 對 Hub 存取的作用；它不會替所有第三方套件建立網路隔離。EasyOCR 的 download_enabled=False 也只是該引擎的一項設定。真正的無對外連線條件，要由測試主機或網路層執行，並保留封鎖與連線觀測紀錄。

Docling 進階設定特別區分遠端服務與模型下載：enable_remote_services=False 管的是受該選項控制的遠端資料處理，模型取得另循下載機制。所以本例同時固定本機輸入、資產路徑與引擎下載選項，再以環境隔離驗證。

驗收保存開始／結束時間、退出狀態、run.log、輸出檔及前後雜湊差異。若模型缺檔就停下補證據，別在這次試跑臨時開網。成功結論應寫成「這份版本、配方與十頁樣本，在此隔離條件下完成」，而不是替所有文件、插件及未來版本背書。

⑤「驗菜再交貨」：來源與品質各自過關

怕清單很漂亮，批號卻錯一個字？另外做十頁完全虛構的檢驗報告。先保留人工定稿的標準答案，再把頁面轉成掃描影像型 PDF；確認測的是圖片辨字，而非只讀原本的文字層。樣本可涵蓋正向頁、旋轉頁、淡字與跨頁表格，並逐頁標記類型。這是你要執行的評測設計，不是本文提供的效能結果。

• 批號：像「AB-0108」整串精確比對；漏字、連字號及 O／0 混淆分開記。
• 材質：每個欄位對照標準答案；保留原字與正規化規則，別把相近名稱自動當同一種。
• 表格：逐格核對列、欄、數值、小數點與單位；文字都認對但列對錯，也算錯。
• 資產清單核對：每個 observed_loaded 資產都能對到路徑、雜湊與證據；必要條件的 unknown 仍標待處理。

自行設定的例子：十頁各有一個批號，若九個完全一致，樣本批號精確匹配率是 9 ÷ 10＝90%；這只是算式示範，不是 Docling 成績。表格欄位應另報「核對幾格、錯幾格」，不要把一個文件轉換成功率當成所有內容的正確率。想延伸到金額與交叉欄位核對，可讀 OCR 證據與算術驗證。

三、Granite 的模型卡怎麼讀？已揭露的寫實，沒證據的留白

如果之後改用 Granite Docling，先另開一份配置與來源清單，不要沿用標準管線的通過紀錄。Granite Docling 258M 模型卡列出 Idefics3 架構、SigLIP2 視覺編碼器與 Granite 165M 語言模型，並說明公開資料集與內部合成資料兩類訓練來源。這些是模型作者公開陳述，應保存該次模型卡版本並逐項引用。

「使用 Idefics3 架構」和「直接沿用某份 Idefics3 權重」不是同一句話；除非另有權重初始化證據，不要互相代換。若客戶要求逐筆訓練資料來源或完整上游血緣，而目前收集到的材料不足以回答，就在對應欄寫 unknown，列出缺哪種證據；模型名稱不能替這格作證。

交付包建議包含六樣東西：環境版本快照、配置 JSON、資產與來源清單、留存的模型卡及授權、斷網執行證據、逐欄品質結果。來源過關與辨識品質過關是兩道獨立的門；其中一道卡住，就先不要把真實客戶文件接進正式流程。

四、常見問題：八個容易混在一起的判斷

1. Docling 是一個 OCR 模型嗎？

不是。它是文件轉換工具，管線能搭配不同版面、表格、OCR 或 VLM 元件；清單要追到所選元件。

2. 用本機，就證明完整模型來源了嗎？

不能。執行位置與模型血緣回答不同問題，需各自保留證據。

3. 關閉遠端服務，就不會下載權重嗎？

不能這樣推論。官方把遠端資料處理與模型取得分開，還要準備資產並驗證網路邊界。

4. assets.json 能證明哪些模型真的執行了嗎？

不能。它只清點指定目錄；載入與執行要補初始化日誌、檔案存取及對應配置。

5. 有 Apache 2.0，就能滿足客戶所有條件嗎？

不一定。授權是其中一項；本例還要求資產取得、血緣證據與執行環境，應逐項對照。

6. 模型卡沒寫清楚的地方怎麼填？

填 unknown。清楚註記尚缺哪項證據，避免把作者、架構或站台名稱拿來補空白。

7. 十頁都過，就能證明任何報告都可靠嗎？

不能。它只涵蓋這十頁的版型與擾動；新材質名稱、新掃描器或新表格都值得補入樣本。

8. 更新套件後，清單還能沿用嗎？

要重新比對。建立新版本快照、檔案清單與執行紀錄，將變動資產連回證據，再跑相同樣本。

給新手的三個重點

• 先鎖配方，再清點倉庫，最後補實際領料證據。
• 來源追溯交代「用了什麼、依據在哪」；品質驗收交代「這份文件讀對多少」。
• 未知不是可以省略的一列。它決定下一步要補文件、換配置，或延後接正式資料。