智谱 AI 发布 GLM-OCR
来自 Z.ai Research · 期号 2026-02-03
摘要
智谱 AI 发布并开源了轻量级 OCR 模型 GLM-OCR，参数量仅 0.9B。 它的核心卖点是“小尺寸、高精度”：在权威文档解析榜单 OmniDocBench V1.5 上以 94.6 分取得 SOTA，性能接近 Gemini-3-Pro。在公式识别、表格识别、手写体、印章等真实业务场景中表现稳健。 速度方面，处理 PDF 文档的吞吐量达 1.86 页/秒，图片达 0.67 张/秒。API 输入输出同价，仅需 0.2 元/百万 Tokens，官方称成本约为传统 OCR 方案的 1/10。 模型采用“编码器-解码器”架构，视觉侧集成了自研的 CogViT 编码器（400M 参数），并首次将多 Tokens 预测损失（MTP）引入 OCR 训练。支持 vLLM、SGLang 和 Ollama 部署。
深读
导读 智谱 AI 发布并开源了轻量级 OCR 模型 GLM-OCR，参数量仅 0.9B，却在权威文档解析榜单 OmniDocBench V1.5 上以 94.6 分取得 SOTA，性能接近 Gemini-3-Pro。它专攻手写体、复杂表格、印章等真实业务痛点，API 成本仅为传统 OCR 方案的约 1/10，适合高并发与边缘部署场景。 关键信息 - 参数量仅 0.9B，在 OmniDocBench V1.5 上以 94.6 分取得 SOTA，性能接近 Gemini-3-Pro。 - 视觉侧集成自研 CogViT 编码器（400M 参数），在数十亿级图文对数据上引入 CLIP 策略预训练。 - 率先将多 Tokens 预测损失（MTP）引入 OCR 训练，并采用全任务强化学习训练。 - 处理 PDF 文档吞吐量达 1.86 页/秒，图片达 0.67 张/秒。 - API 输入输出同价，0.2 元/百万 Tokens，成本约为传统 OCR 方案的 1/10。 - 支持 vLLM、SGLang 和 Ollama 部署，开源完整 SDK 与推理工具链。 逐节讲解 性能与场景优化 GLM-OCR 在 OmniDocBench V1.5 上以 94.6 分取得 SOTA，在文本、公式、表格识别及信息抽取四大细分领域均优于多款 OCR 专项模型，性能接近 Gemini-3-Pro。内部测评覆盖代码文档、真实场景表格、手写体、多语言、印章识别、票据提取六大核心场景，均取得显著优势。 实际案例 文章展示了三类典型应用：通用文本识别（手写公式、印章、代码）、复杂表格解析（合并单元格、多层表头，直接输出 HTML 代码）、信息结构化提取（从卡证、票据中提取关键字段并输出标准 JSON 格式）。以海关出口货物报关单为例，模型能按给定 JSON Schema 精准提取发货人、商品信息等字段。 速度与成本 在相同硬件环境下（单副本、单并发），GLM-OCR 处理 PDF 的吞吐量为 1.86 页/秒，图片为 0.67 张/秒。API 输入输出同价，0.2 元/百万 Tokens，1 元可处理约 2000 张 A4 扫描图片或 200 份 10 页简单排版 PDF。 技术架构 模型采用“编码器-解码器”架构，继承自 GLM-V 系列。视觉侧集成自研 CogViT 编码器（400M 参数），在数十亿级图文对数据上引入 CLIP 策略预训练。连接层融合 SwiGLU 机制并引入 4 倍下采样策略，将关键视觉 Token 传递至后端的 GLM-0.5B 解码器。训练策略上，率先将多 Tokens 预测损失（MTP）引入 OCR 训练，并采用全任务强化学习训练。整体系统采用“版面分析→并行识别”两阶段范式，版面分析模块基于 PP-DocLayout-V3 实现。 值得注意 文章对技术细节的披露较…