核心内容摘要
ACG漫画网：打开二次元世界的大门，你的专属精神角落
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
9
6分登顶OmniDocBench V
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
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
9B但在权威文档解析榜单OmniDocBench V
5中以
9
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
86页/秒图片达
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-
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。