智谱开源 GLM-OCR,0.9B 参数在 OmniDocBench V1.5 拿到 94.6 分
智谱(02513.HK)开源了 OCR 模型 GLM OCR,参数量 0.9B。官方文档给出的部署路径是 vLLM、SGLang 和 Ollama,都属于现成推理框架。发布时它在文档解析榜单 OmniDocBench V1.5 上得分 94.6,官方称这是当时的 SOTA,并称性能接近 Gemini-3-Pro。同一份文档里这个分数还有一处写作 94.62,差异来自小数位取舍。
分数是怎么来的
智谱把精度归因于自研的 CogViT 视觉编码器,加上针对真实场景的优化。官方说法是,在文本、公式、表格识别和信息抽取四个细分领域,GLM-OCR 的表现优于多款 OCR 专项模型。榜单之外,他们还做了六个内部测评维度:代码文档、真实场景表格、手写体、多语言、印章识别、票据提取,结论是这六项均有优势。这些属于厂商自测,没有第三方复现数据,看的时候要打折。
表格和公式是文档解析长期的老问题,也是这次官方重点强调的两项。版式复杂、字体多样、图文混排这三种情况,恰好是通用多模态模型最容易掉分的地方,也是 OCR 专项模型还活着的原因。
吞吐与成本
在单副本、单并发的测试条件下,GLM-OCR 处理 PDF 的吞吐为 1.86 页/秒,处理图片为 0.67 张/秒,官方称速度显著优于同类模型。成本数字是传统 OCR 方案的约十分之一。0.9B 的体量本身决定了显存占用和延迟都不高,这也是它能直接塞进 vLLM、SGLang 的前提;Ollama 在列,意味着本地机器也能跑起来。
输入输出规格
输入支持 PDF 和 JPG、PNG 图片,单图不超过 10MB,PDF 不超过 50MB,最多 100 页。输出包括文本、图片链接和 Markdown 文档,另外支持按预定义格式返回 JSON。语言覆盖中文、英文、法语、西班牙语、俄语、德语、日语、韩语等。100 页的上限对合同、标书、年报这类文档够用,再长的卷宗需要自己切分。
对下游流程来说,JSON 结构化输出比 Markdown 更实用,票据和表单抽取可以直接接进已有的解析管线,不必再写一层正则。开源权重加上 0.9B 的规模,把这类模型的部署门槛压低了一截。
权重已经放出去了,接下来检验它的不是榜单,而是各家自己手里的合同、发票和扫描件。
来源