GLM-OCR – 智谱开源的轻量级多模态OCR模型

GLM-OCR是什么

GLM-OCR是智谱AI开源的轻量级多模态OCR模型，仅0.9B参数在OmniDocBench V1.5榜单以94.6分登顶SOTA。模型基于GLM-V架构，集成自研CogViT视觉编码器与轻量跨模态连接层，引入多Token预测损失和强化学习训练，在手写体、复杂表格、代码文档、印章、多语言混排等高难场景表现卓越。模型支持HTML表格、JSON结构化输出，推理速度达1.86页/秒，兼容vLLM/SGLang/Ollama部署，适用文档解析、票据提取、RAG等商业场景。

GLM-OCR的主要功能

• 通用文本识别：支持照片、截图、扫描件、PDF，识别印刷体、手写体、印章、代码等特殊文字。
• 复杂表格解析： 精准理解合并单元格、多层表头等结构，直接输出HTML代码，无需二次制表。
• 信息结构化提取：从卡证、票据、表格中智能提取关键字段，输出标准JSON格式，对接业务系统。
• 公式与代码识别：支持准确识别数学公式、程序代码等专业技术内容。
• 多语言与混排支持：支持处理竖排文字、多语言混排等复杂版式。
• 批量文档处理：支持大批量文档识别，输出规整格式，为RAG提供高质量数据基础。