智谱开源GLM-OCR模型：仅0.9B参数，多项基准取得SOTA表现

IT之家 2 月 3 日消息，智谱今日宣布正式发布并开源 GLM-OCR。据介绍，该模型仅 0.9B 参数规模，支持 vLLM、SGLang 和 Ollama 部署，在公式识别、表格识别、信息抽取的多项主流基准中均取得 SOTA 表现。

IT之家附官方详细介绍如下：

今天，我们正式发布并开源 GLM-OCR，以“小尺寸、高精度”实现文档解析能力新标杆。作为一款轻量的专业级 OCR 模型，其核心亮点如下：

• 性能 SOTA：以 94.6 分登顶 OmniDocBench V1.5，并在公式识别、表格识别、信息抽取的多项主流基准中均取得 SOTA 表现；
• 场景优化：专攻真实业务痛点，在手写体、复杂表格、代码文档及印章等高难场景中表现稳健；
• 推理高效：仅 0.9B 参数规模，支持 vLLM、SGLang 和 Ollama 部署，显著降低推理延迟与算力开销，适合高并发与边缘部署；
• 开源易用：同步开源完整 SDK 与推理工具链，环境依赖简单，支持一行命令快速调用，轻松接入现有业务系统。

得益于自研 CogViT 视觉编码器与深度场景优化，GLM-OCR 实现了“小尺寸，高精度”。

GLM-OCR 参数量仅 0.9B，但在权威文档解析榜单 OmniDocBench V1.5 中以 94.6 分取得 SOTA 性能。在文本、公式、表格识别及信息抽取四大细分领域的表现优于多款 OCR 专项模型，性能接近 Gemini-3-Pro。

除了公开榜单，我们还针对真实业务中的六大核心场景进行了内部测评。结果显示，GLM-OCR 在代码文档、真实场景表格、手写体、多语言、印章识别、票据提取等维度均取得显著优势。

案例实测

在实际应用中，GLM-OCR 能够精准解析扫描件、PDF、表格及票据，有效解决手写、印章、竖排及多语言混排难题，在复杂版式下依然保持极高的准确率和鲁棒性。

通用文本识别：GLM-OCR 支持照片、截图、扫描件、文档输入，能够识别手写体、印章、代码等特殊文字，可广泛应用于教育、科研、办公等场景。

案例：手写公式识别

案例：印章识别

案例：代码识别

复杂表格解析：针对合并单元格、多层表头等复杂结构，模型能精准理解并直接输出 HTML 代码。无需二次制表，识别结果即可用于网页展示或数据处理，大幅提升表格录入与转换效率。

案例：跨单元格表格

案例：分段表

信息结构化提取：GLM-OCR 可从各类卡证、票据、表格中智能提取关键字段，并输出标准的 JSON 格式，无缝对接银行、保险及物流等行业系统。

输入图片：

输出：

批量处理与 RAG 支持：GLM-OCR 支持大批量文档的识别与解析，其高精度的识别能力和规整的输出格式，可为检索增强生成（RAG）提供坚实基础。

更快、更便宜

速度方面，我们对比了在相同硬件环境与测试条件下（单副本，单并发），分别以图像文件和 PDF 文件为输入，不同 OCR 方法完成解析并导出 Markdown 文件的速度差异。结果显示，GLM-OCR 处理 PDF 文档的吞吐量达 1.86 页 / 秒，图片达 0.67 张 / 秒，速度显著优于同类模型。

价格方面，API 输入输出同价，仅需 0.2 元 / 百万 Tokens。1 元即可处理约 2000 张 A4 大小扫描图片或 200 份 10 页简单排版 PDF，成本约为传统 OCR 方案的 1/10。

技术细节

在训练策略方面，GLM-OCR 率先将多 Tokens 预测损失（MTP）引入 OCR 模型训练过程，以增强损失信号密度并提升模型学习效率。并且，通过持续且稳定的全任务强化学习训练，能够显著提升模型在复杂文档场景下的整体识别精度与泛化能力。

上述性能提升还得益于 GLM-OCR 在多模态模型结构上的系统性设计。模型整体采用“编码器-解码器”架构，继承自 GLM-V 系列，由视觉编码器（ViT）、跨模态连接层和语言解码器三大核心模块组成。其中，视觉侧集成了自研的 CogViT 视觉编码器（400M 参数），并在数十亿级图文对数据上引入 CLIP 策略进行大规模预训练，使模型具备了强大的文字与版面语义理解能力。

为实现视觉与语言信息的高效融合，GLM-OCR 设计了一套轻量而高效的连接层结构，融合 SwiGLU 机制并引入 4 倍下采样策略，能够精准筛选并保留关键视觉 Token，将高密度语义信息高效传递至后端的 GLM-0.5B 解码器，从而支撑高精度的 OCR 识别输出。

在整体系统层面，GLM-OCR 采用“版面分析 → 并行识别”的两阶段技术范式。其中，版面分析模块基于 PP-DocLayout-V3 实现，能够在版式多样、结构复杂的文档场景下实现稳定、高质量且高效率的 OCR 解析效果。

开源与在线体验

1.开源地址

• Github：https://github.com/zai-org/GLM-OCR
• Hugging Face：https://huggingface.co/zai-org/GLM-OCR

2.模型 API

• 智谱开放平台：https://docs.bigmodel.cn/cn/guide/models/vlm/glm-ocr
• 特惠尝鲜礼包上线，2.9 元享 5000 万 Tokens：https://bigmodel.cn/special_area
• Z.ai：https://docs.z.ai/guides/vlm/glm-ocr

3.在线体验

• Z.ai：https://ocr.z.ai

未来，我们将持续迭代 GLM-OCR，推出更多尺寸版本，并将能力延伸至更多语言和视频 OCR，全面拓宽视觉智能的应用边界。