专业级模型 GLM-OCR

智谱宣布正式发布并开源一款轻量的专业级 OCR 模型 GLM-OCR，主打“小尺寸、高精度”。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。

根据介绍，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。

项目团队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

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。
• 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。
• 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。
• 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。

速度方面，其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。

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。