智谱发布并开源GLM-OCR：性能SOTA，搞定复杂文档

as22

2月4日消息，日前，据智谱微信公众号消息，其正式发布并开源GLM-OCR，以“小尺寸、高精度”实现文档解析能力新标杆。

据介绍，作为一款轻量的专业级OCR模型，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。

得益于自研CogViT视觉编码器与深度场景优化，GLM-OCR实现了“小尺寸，高精度”。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。

此外，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。

另外，经过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文件的速度差异下进行对比，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。



在价格方面，API输入输出同价，仅需0.2元/百万Tokens。

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。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。