智谱AI GLM-OCR

是于2026年2月3日正式发布并开源的专业级OCR（光学字符识别）模型。这款模型以”小尺寸、高精度”为核心特点，仅0.9B参数规模，却在权威榜单OmniDocBench V1.5中以94.62分取得SOTA（State-of-the-Art）性能，超越多款OCR专项模型，性能接近谷歌的通用大模型-3-Pro。

GLM-OCR是一款基于GLM-V编码器-解码器架构的多模态OCR模型，专注于复杂文档的端到端识别与结构化理解。核心功能包括：文本识别（印刷体/手写体）、数学、复杂表格解析、键值对信息抽取（KIE）。支持输入PDF和图片文件，输出结构化JSON或Markdown格式，PDF处理吞吐量达1.86页/秒，图像处理0.67张/秒。

GLM-OCR定位为面向真实复杂文档场景的工程级OCR解决方案。传统OCR方案在处理标准印刷文档时表现良好，但面对手写公式、复杂表格、带印章文件或多语言混排等”疑难杂症”时往往力不从心。GLM-OCR专为攻克这些真实业务中的”硬骨头”而来。

模型采用”编码器-解码器”多模态架构，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。创新性地将多Tokens预测损失（MTP）引入OCR模型训练，并采用全任务强化学习，显著提升了模型在复杂版式下的识别精度和泛化能力。

GLM-OCR采用”版面分析→并行识别”的两阶段技术范式。先通过基于PP-DocLayout-V3的版面分析模块理解文档的整体结构布局，再对标题、正文、表格、公式等区域进行并行识别。这种设计使得处理复杂跨页财务报表时，能像人类一样先看清表格框架，再读取其中的数字。

极致性价比：通过API调用，价格仅为0.2元/百万Tokens。这意味着花费1元人民币，理论上可以处理约2000张A4扫描件或200份10页的PDF文档，成本仅为传统OCR方案的约十分之一。

高速处理能力：在相同硬件环境与测试条件下，GLM-OCR处理PDF文档的吞吐量达1.86页/秒，图片处理达0.67张/秒，速度显著优于同类模型。

专项场景优化：针对六大高难度业务场景进行专项优化：

通过智谱AI开放平台直接调用API服务：

价格：0.2元/百万Tokens，1元可处理约2000张A4扫描图片。

vLLM部署方案：

SGLang部署方案：

Ollama部署方案（适合个人用户）：

步骤1：环境准备

步骤2：模型下载

步骤3：基础使用示例

免费用户：

企业用户：

开发者：

根据社区实测数据：

GLM-OCR最适合的场景：

PaddleOCR更适合的场景：

DeepSeek-OCR优势：

案例1：学术研究论文数字化

案例2：企业财务票据处理

案例3：政府档案数字化

优点体验：

不足之处：

用户体验反馈：

Q1：GLM-OCR是免费的吗？

A：是的，GLM-OCR完全开源免费。模型采用MIT许可证，代码采用Apache 智谱 AI GLM 教程 2.0许可证，支持商业用途无需支付授权费用。仅API调用需要按量计费（0.2元/百万Tokens）。

Q2：GLM-OCR支持哪些文件格式？

A：支持PDF文档和JPG、PNG图像格式。单张图片≤10MB，PDF文件≤50MB，最大支持100页。

Q3：GLM-OCR识别准确率如何？

A：在权威评测OmniDocBench V1.5中获得94.62分SOTA成绩。具体场景：表格识别95%+，公式识别96.5%，文本识别94.0%。

Q4：如何本地部署GLM-OCR？

A：提供三种主要方案：

Q5：GLM-OCR需要什么硬件配置？

A：最低配置：8GB内存，CPU即可运行。推荐配置：16GB+内存，NVIDIA GPU加速。具体需求取决于处理量和性能要求。

Q6：GLM-OCR支持多语言吗？

A：支持中文、英文、法文、西班牙文、俄文、德文、日文、韩文等8+种语言。对中文文档有专门优化。

Q7：GLM-OCR处理速度如何？

A：PDF文档处理吞吐量1.86页/秒，图像处理0.67张/秒。实测10页PDF处理约9秒，较传统OCR快2-3倍。

Q8：GLM-OCR输出什么格式？

A：支持JSON、Markdown、HTML表格三种主要格式。JSON适合程序处理，Markdown适合文档编辑，HTML表格可直接网页展示。

Q9：GLM-OCR有哪些使用限制？

A：主要限制：单文件大小限制（图片10MB，PDF 50MB），最大页数100页，API调用有频率限制。本地部署无使用限制。

Q10：GLM-OCR和PaddleOCR哪个更好？

A：各有优势：

Q11：GLM-OCR适合什么类型的用户？

A：适合四类用户：

GLM-OCR代表了OCR技术发展的新方向——”小而美”的设计哲学。在行业普遍追求更大参数、更复杂模型的背景下，GLM-OCR以仅0.9B的参数规模实现了SOTA性能，这不仅是技术突破，更是工程思维的胜利。

随着GLM-OCR的开源，预计将催生大量基于该模型的行业应用和工具。智谱AI已宣布未来将持续迭代，计划推出更多尺寸版本，并将能力拓展至更多语种及视频OCR领域。当1元钱可以处理2000页文档时，全社会信息数字化最后一公里的障碍正被技术的力量迅速推平。

GLM-OCR不仅是一个工具，更是一种理念的体现——在AI时代，小而精的专用模型同样能创造巨大价值。对于正在寻找高性价比OCR解决方案的用户来说，GLM-OCR无疑是2026年最值得关注的选择之一。

本文引用了以下平台和来源的信息，确保内容的专业性和可靠性：

数据来源说明：本文核心数据来自智谱AI官方发布、OmniDocBench权威评测榜单、社区实测数据，确保信息的准确性和时效性。

本文最新更新日期：2026年2月7日