智谱今日正式发布并开源了专业级 OCR 模型 GLM-OCR。该模型以0.9B 的轻量化尺寸实现了跨级性能突破，在多项基准测试中登顶，旨在解决复杂文档解析中的真实业务痛点。
尽管参数规模仅为0.9B，但 GLM-OCR 的表现惊人。在文档解析榜单 OmniDocBench V1.5 中，它以 94.6分的高分夺冠，其性能已逼近通用大模型 Gemini-3-Pro。无论是在文本识别、数学公式推导、复杂表格解析，还是关键信息抽取（KIE）方面，均取得了 SOTA(业内最)表现。
GLM-OCR 针对六大高难业务场景进行了专项优化，表现稳健:
- 复杂表格: 支持合并单元格与多层表头，可直接输出标准 HTML 代码。
- 结构化提取: 智能识别卡证票据，输出标准 JSON 格式。
- 手写体与代码: 完美兼容教育科研中的手写公式及程序员的代码截图。
- 特殊标识: 具备的印章识别与多语言混排处理能力。
在效率与成本控制上，GLM-OCR 展现了极强的商业竞争力:
- 极速推理: PDF 处理吞吐量达 1.86页/秒，显著优于同类模型;支持 vLLM、Ollama 等主流部署方式。
- 性价比: API 价格低至 0.2元/百万 Tokens。相比传统 OCR 方案，成本仅为其1/10，处理一千张 A4扫描件仅需约0.5元。
GLM-OCR 继承自 GLM-V 系列架构，集成自研 CogViT 视觉编码器。通过引入多 Tokens 预测损失（MTP）与全任务强化学习，模型在复杂版面下的泛化能力显著提升。其独特的4倍下采样策略与 SwiGLU 机制，确保了视觉信息与语言解码器的高效融合。
目前，GLM-OCR 已在
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/270405.html原文链接：https://javaforall.net
