前有通过视觉压缩，实现高效、结构化的文档理解的DeepSeek-OCR2，后有高精度、鲁棒的多任务文档解析PaddleOCR-VL-1.5，而最近智谱AI发布最新GLM-OCR一款轻量级专业光学字符识别模型。它凭借“小尺寸、高精度”的特点，在复杂文档解析领域达到了当前最佳性能，并大幅降低了部署和使用成本。

开源地址
Github：https://github.com/zai-org/GLM-OCR
Hugging Face：https://huggingface.co/zai-org/GLM-OCR
在线体验Z.ai：https://ocr.z.ai

模型概述与核心优势

GLM-OCR是一个参数规模仅0.9B（约9亿）的轻量级模型。它在设计上追求极致的效率，具有以下核心优势：

• 性能顶尖：在权威的文档解析综合评测榜单 OmniDocBench V1.5 上取得了 94.6分，达到最优水平。
• 场景针对性强：专门针对传统OCR难以处理的手写体、复杂表格、编程代码、印章图像及多语言混合排版等场景进行了深度优化。
• 效率与成本优势显著：PDF文档处理吞吐量高达1.86页/秒。通过API调用，价格仅为0.2元/百万Tokens，成本据称约为传统OCR方案的十分之一。

技术架构解析

GLM-OCR的技术实现围绕高效、精准的目标展开：

• 核心架构：采用经典的**“编码器-解码器”** 架构。视觉部分集成了自研的 CogViT视觉编码器，该编码器在数十亿级图文数据上经过预训练，具备强大的图文语义理解能力。
• 关键技术：
  • 两阶段流程：采用“版面分析→并行识别”的流程。首先分析文档结构，然后对不同区域并行识别，兼顾精度与速度。
  • 高效训练：引入多Tokens预测损失策略，增强训练信号，提升模型学习效率。
• 模型规格：以下是其关键参数概览：

性能表现与基准测试

在多个专业测试中，GLM-OCR展现了全面且领先的能力：

• 综合评分领先：在覆盖文本、公式、表格、信息抽取四大任务的OmniDocBench V1.5榜单中，其综合得分达到SOTA水平。
• 细分任务优异：在文本识别、公式识别、表格结构识别及关键信息抽取等细分任务上，性能优于多款专用OCR模型，并接近谷歌旗舰大模型Gemini-3-Pro的水平。
• 处理速度快：在单副本、单并发的测试条件下，处理PDF文档的速度显著优于同类对比模型。

应用场景与案例分析

GLM-OCR的能力在多个实际场景中得到验证：

• 通用文本识别：可准确识别照片、截图、扫描件中的印刷体、手写体、印章文字甚至编程代码。
• 复杂表格解析：能理解合并单元格、多层表头等复杂结构，并直接输出标准HTML代码，无需人工二次制表。
• 信息结构化提取：可从发票、票据、证件中智能提取关键字段（如金额、日期、编号），并输出结构化JSON，便于直接接入业务系统。
• 为RAG提供支撑：其高精度和规整的输出格式，能为检索增强生成系统提供高质量的数据来源。

部署实践与成本分析

GLM-OCR致力于降低使用门槛：

• 灵活部署：得益于小参数量，它支持多种主流推理框架，非常适合在资源受限的边缘设备或需要高并发处理的服务器端部署。
• 极低成本：通过官方API调用，1元人民币约可处理2000张A4扫描图片或200份10页的简单PDF文档，具有极高的性价比。
• 开源生态：模型、完整的SDK及推理工具链均已开源，开发者可以便捷地集成到现有项目中。

与其他模型的对比

GLM-OCR的定位清晰，与其它类型模型相比特色鲜明：

• 对比大型多模态模型：相比GPT-4V、Gemini等通用大模型，GLM-OCR参数极小、部署成本极低、在专业OCR任务上精度更高，尤其擅长复杂版式和特殊场景。
• 对比传统/专用OCR模型：相比单一功能的传统OCR引擎，GLM-OCR作为一个端到端模型，无需拼接多个子系统就能完成版面分析、文字识别、表格理解和信息提取等全套流程，使用更简单。
  

总结与展望

总的来说，GLM-OCR通过轻量化设计和针对性的技术优化，在精度、速度、成本和应用范围上取得了优秀的平衡，有望推动OCR技术从专用工具向通用基础设施演进。其开源的属性也将加速技术在金融、政务、教育、物流等行业的规模化应用。

据官方信息，智谱AI未来计划持续迭代GLM-OCR，推出更多尺寸版本，并将其能力拓展至更多语言甚至视频OCR领域。