GLM-OCR
视觉大模型GLM-OCR
模型参数（Parameters）
9.0
最高上下文长度（Context Length）
8K
是否支持中文
支持
推理能力（Reasoning）
模型基本信息
是否支持推理过程
不支持
最高上下文输入长度
8K tokens
最长输出结果
4096 tokens
模型类型
视觉大模型
发布时间
2026-02-03
模型预文件大小
1.8GB
推理模式
常规模式（Non-Thinking Mode）
开源和体验地址
官方介绍与博客
API接口信息
接口速度（满分5分）
接口价格
默认单位：$/100万 tokens；若计费单位不同，则以供应商公开的原始标注为准。
标准计费
Standard
| 模态 | 输入 | 输出 |
|---|---|---|
| 文本 | 0.03 美元/100 万tokens | |
| 图片 | 0.03 美元/100 万tokens |
GLM-OCR模型在各大评测榜单的评分
当前尚无可展示的评测数据。
发布机构
智谱AI
查看发布机构详情
GLM-OCR模型解读
1. GLM-OCR 模型简介与核心特点
GLM-OCR 是由智谱 AI 于 2026 年 2 月推出的新一代开源 OCR（光学字符识别）模型。作为 GLM 系列在视觉理解领域的最新成果，该模型专为解决复杂文档解析难题而设计，旨在以极低的参数规模实现工业级的识别精度。GLM-OCR 虽为 0.9B 参数的轻量级模型，但在多项权威基准测试中展现了超越更大规模模型的性能，支持在 vLLM、SGLang 和 Ollama 等主流推理框架中高效部署，特别适合边缘计算和高并发业务场景。
2. 架构与技术规格
- 模型参数：约 9 亿（0.9B），属于轻量化端侧友好型模型。
- 技术架构：采用编码器-解码器（Encoder-Decoder）架构。视觉端集成了智谱自研的 CogViT 视觉编码器，结合“版面分析→并行识别”的两阶段技术流程，有效提升了对复杂版面的解析能力。
- 上下文与吞吐：模型经过深度优化，在处理 PDF 文档时吞吐量可达 1.86 页/秒，兼顾了高精度与高效率。
3. 核心能力与支持模态
- 模态支持：输入为图像（支持扫描件、截图、PDF页等），输出为结构化文本或 Markdown/LaTeX 格式文本。
- 核心能力：
- 通用文本识别：支持多语言混排的高精度识别。
- 复杂公式解析：能够将手写或印刷的数学公式精确转换为 LaTeX 代码。
- 表格还原：支持解析包含合并单元格、多级表头的复杂表格，并直接输出 HTML 或 Markdown 格式。
- 信息抽取 (KIE)：能够智能识别票据、卡证及文档中的关键字段并输出 JSON 格式。
4. 性能与基准评测
在权威文档解析评测基准 OmniDocBench V1.5 中，GLM-OCR 取得了 94.6 分的成绩，位列 SOTA（当前最优），在文本、公式、表格及信息抽取四个子任务上的表现均优于多款同类专项模型。
5. 应用场景与限制
- 推荐用例：学术论文转 LaTeX、财务报表数字化、历史文档扫描件电子化、边缘设备上的实时拍照翻译与解析。
- 部署优势：由于参数量极小，该模型非常适合在消费级显卡或移动端设备上进行本地化部署，大幅降低了隐私泄露风险和推理成本。
6. 访问方式与许可
GLM-OCR 的权重及推理代码已在 GitHub 和 Hugging Face 平台开源。智谱官方开放平台亦提供 API 调用服务。
关注DataLearnerAI公众号
关注DataLearnerAI微信公众号，接受最新大模型资讯
