Prompt 语宙Prompt 语宙
  • 首页
  • 语宙 AI 导航
  • AIGC 资讯
    • AIGC 早报生成器Hot
    • 最新趋势
    • AI 工具
    • 热门资源
    • 强化 AI 学习
  • AI 绘图
    • Prompt 实战
    • AI 绘画教程
    • 模型精选
  • AI 图库
    • 人物
    • 展台场景
    • Banner
    • 游戏
    • 动物
    • 食物
    • 自然
    • 背景
    • 海报
    • 建筑
    • 室内设计
  • 出海数字营销宝典
  • AI 生图 Prompt
    • 写实人像
    • 产品与广告
    • 游戏资产与 3D
    • 界面与图标
    • 建筑与室内
    • 动漫与插画
    • 风景与自然
搜索 AIGC 资讯、Prompt 咒语与 AI 工具
  • 语宙 AI 导航
  • 全部资讯
  • AI 生图咒语库
  • AIGC 早报生成器
  • 核心专题
  • 提交工具 / 合作
© 2023–2026 Prompt 语宙 (paooo.com). HalfPX. All Rights Reserved.
阅读: 智谱AI开源GLM-OCR:0.9B参数登顶SOTA,轻量级多模态OCR模型革新文档解析
Share
通知 阅读更多
Font Resizer字体
Font Resizer字体
Prompt 语宙Prompt 语宙
搜索 AIGC 资讯、Prompt 咒语与 AI 工具
  • 首页
  • 语宙 AI 导航
  • AIGC 资讯
    • AIGC 早报生成器Hot
    • 最新趋势
    • AI 工具
    • 热门资源
    • 强化 AI 学习
  • AI 绘图
    • Prompt 实战
    • AI 绘画教程
    • 模型精选
  • AI 图库
    • 人物
    • 展台场景
    • Banner
    • 游戏
    • 动物
    • 食物
    • 自然
    • 背景
    • 海报
    • 建筑
    • 室内设计
  • 出海数字营销宝典
  • AI 生图 Prompt
    • 写实人像
    • 产品与广告
    • 游戏资产与 3D
    • 界面与图标
    • 建筑与室内
    • 动漫与插画
    • 风景与自然
已有帐户? 登陆
  • 语宙 AI 导航
  • 全部资讯
  • AI 生图咒语库
  • AIGC 早报生成器
  • 核心专题
  • 提交工具 / 合作
© 2023–2026 Prompt 语宙 (paooo.com). HalfPX. All Rights Reserved.
智谱AI开源GLM-OCR:0.9B参数登顶SOTA,轻量级多模态OCR模型革新文档解析
Prompt 语宙 > AI 工具 > 智谱AI开源GLM-OCR:0.9B参数登顶SOTA,轻量级多模态OCR模型革新文档解析
AI 工具AIGC 资讯

智谱AI开源GLM-OCR:0.9B参数登顶SOTA,轻量级多模态OCR模型革新文档解析

Prompt 语宙研究院
最近更新: 2026年6月7日 下午8:06
GLM-OCR 多模态OCR 文档解析 智谱AI 轻量级模型
SHARE
⚡ Prompt 语宙 AI 导读 · 30 秒核心看点
  • 0.9B参数的GLM-OCR在OmniDocBench V1.5以94.6分登顶SOTA,主打轻量高精度OCR。
  • 模型支持手写体、复杂表格、代码、印章和多语言混排,并可直接输出HTML/JSON。
  • 采用版面分析+并行识别流程,兼容vLLM/SGLang/Ollama,适合企业文档与RAG场景。

💡 站外导读:在AI技术加速落地的今天,文档数字化与智能解析成为企业提效的关键瓶颈。传统OCR模型在面对手写体、复杂表格、多语言混排等真实场景时,往往精度不足或部署成本高昂。智谱AI开源的GLM-OCR模型,以仅0.9B的轻量级参数,在权威基准OmniDocBench V1.5上刷新SOTA记录,标志着轻量级多模态OCR技术进入新阶段。它通过创新的视觉编码、跨模态融合与强化学习训练,为教育、金融、物流等行业提供了高效、精准的文档处理方案。

GLM-OCR是什么

GLM-OCR是智谱AI开源的轻量级多模态OCR模型,仅0.9B参数在OmniDocBench V1.5榜单以94.6分登顶SOTA。模型基于GLM-V架构,集成自研CogViT视觉编码器与轻量跨模态连接层,引入多Token预测损失和强化学习训练,在手写体、复杂表格、代码文档、印章、多语言混排等高难场景表现卓越。模型支持HTML表格、JSON结构化输出,推理速度达1.86页/秒,兼容vLLM/SGLang/Ollama部署,适用文档解析、票据提取、RAG等商业场景。

阅读目录
  • GLM-OCR是什么
  • GLM-OCR的主要功能
  • GLM-OCR的技术原理
  • GLM-OCR的项目地址
  • GLM-OCR的应用场景
      • 📝 站长洞察 (Editor’s Insight)

GLM-OCR

GLM-OCR的主要功能

  • 通用文本识别:支持照片、截图、扫描件、PDF,识别印刷体、手写体、印章、代码等特殊文字。
  • 复杂表格解析: 精准理解合并单元格、多层表头等结构,直接输出HTML代码,无需二次制表。
  • 信息结构化提取:从卡证、票据、表格中智能提取关键字段,输出标准JSON格式,对接业务系统。
  • 公式与代码识别:支持准确识别数学公式、程序代码等专业技术内容。
  • 多语言与混排支持:支持处理竖排文字、多语言混排等复杂版式。
  • 批量文档处理:支持大批量文档识别,输出规整格式,为RAG提供高质量数据基础。

GLM-OCR的技术原理

  • 整体架构:GLM-OCR采用经典的”编码器-解码器”架构设计,整体继承自GLM-V系列。架构由三大核心模块组成:视觉侧的CogViT视觉编码器(400M参数规模)、负责跨模态信息融合的轻量连接层,和后端的GLM-0.5B语言解码器。
  • 视觉编码:视觉编码器采用智谱自研的CogViT架构,在数十亿级别的图文对数据上引入CLIP对比学习策略进行大规模预训练。使模型具备强大的文字检测与版面语义理解能力,能有效处理复杂文档中的多栏布局、图文混排、旋转文字等挑战。
  • 跨模态融合:为实现视觉与语言信息的高效融合,GLM-OCR设计了轻量高效的连接层结构。融合SwiGLU激活机制,引入4倍下采样策略,能精准筛选并保留关键视觉Token,将高密度的视觉语义信息高效压缩传递至后端语言解码器,支撑高精度的OCR识别输出。
  • 训练优化:GLM-OCR在训练策略上率先将多Token预测损失(MTP)引入OCR模型训练,通过同时预测多个未来Token增强损失信号密度,显著提升模型学习效率。通过持续且稳定的全任务强化学习训练,进一步优化模型在复杂文档场景下的整体识别精度与跨领域泛化能力。
  • 推理流程:系统层面,GLM-OCR采用”版面分析→并行识别”的两阶段技术范式。基于PP-DocLayout-V3进行文档版面分析,精准定位文本、表格、图片等区域;并行执行OCR识别,最终在版式多样、结构复杂的文档场景下实现稳定、高质量且高效率的解析效果。

GLM-OCR的项目地址

  • GitHub仓库:https://github.com/zai-org/GLM-OCR
  • HuggingFace模型库:https://huggingface.co/zai-org/GLM-OCR
  • 在线体验:https://ocr.z.ai/

GLM-OCR的应用场景

  • 教育科研:模型能精准识别手写笔记、数学公式、学术论文、教材扫描件,支持复杂排版和多语言文献处理,助力知识整理与学术研究。
  • 企业办公:模型能自动解析合同、发票、报销单、会议纪要等各类文档,实现纸质文件数字化归档,大幅提升信息录入效率。
  • 金融保险:支持智能提取银行卡、身份证、保单、票据中的关键字段,输出结构化JSON数据,无缝对接核心业务系统,降低人工审核成本。
  • 物流海关:快速识别报关单、运单、装箱单等专业单据,准确提取商品信息、收发货人、金额等数据,加速通关与结算流程。
  • 软件开发:模型能准确识别代码截图、技术文档、API手册,支持多种编程语言,方便开发者整理代码片段与构建技术知识库。

📝 站长洞察 (Editor’s Insight)

GLM-OCR的发布,精准切中了当前AI落地中“高精度”与“轻量化”难以兼得的核心痛点。在通用大模型参数不断膨胀的背景下,智谱选择在垂直场景打磨高效小模型,体现了极强的工程化思维与商业嗅觉。其“版面分析-并行识别”的两阶段范式,将传统CV技术与现代多模态模型巧妙结合,保证了在复杂文档上的鲁棒性。更重要的是,它支持HTML/JSON结构化输出,直接打通了从文档图像到业务数据的“最后一公里”,为RAG(检索增强生成)等应用提供了高质量、结构化的知识源。这不仅是OCR技术的进步,更是AI如何深度赋能产业数字化的一个优秀范本——用更小的模型,解决更实际的问题,创造更大的价值。

🧭 文中关联 AI 工具官网与参数卡(语宙 AI 导航)
HuggingFace ↗
HuggingFace:AI模型开发社区,面向大语言模型场景提供便捷实用的在线功能支持,涵盖大模型等实用方向。
Ollama ↗
本地运行Llama和其他大语言模型。
Z.ai ↗
Z.ai 是智谱AI(Zhipu AI)面向全球用户推出的官方AI模型体验与开发者平台。其核心功能围绕其自研的G
❓ 常见问题解答(FAQ)
GLM-OCR适合哪些文档识别场景?

GLM-OCR适合照片、截图、扫描件、PDF等文档识别,尤其擅长手写体、复杂表格、代码文档、印章和多语言混排场景,也可用于票据提取、合同归档和RAG数据构建。

GLM-OCR为什么被认为是轻量级高精度OCR?

它仅0.9B参数,却在OmniDocBench V1.5上取得94.6分并登顶SOTA。模型结合CogViT视觉编码器、轻量跨模态连接层、多Token预测损失和强化学习训练,在精度与部署成本之间取得平衡。

GLM-OCR能直接输出结构化结果吗?

可以。GLM-OCR支持输出HTML表格和JSON结构化数据,便于直接对接业务系统、自动化归档和RAG检索增强应用,减少二次整理与人工录入成本。

🔬 语宙深潜追问 · 进阶实操拆解
结构化输出对RAG落地有什么帮助?

HTML或JSON输出能把版面、表格和字段直接变成可检索结构,减少后续清洗成本。做RAG时建议先抽取结构,再做字段级切分和元数据标注,这样召回更准,引用也更稳定。

手写体和复杂表格怎么提升识别率?

要靠版面分析、字符级纠错和领域词表联合优化。生产中最好针对票据、合同、论文分别做小规模校准集,并加入低置信度回退机制,避免单次识别错误直接污染下游流程。

🗳️ 读者观点微投票 · 您的实战立场是?
0.9B OCR登顶后,文档解析还要不要上大模型?
🕸️ 语宙向量知识图谱 · 语义强关联深度内链
🏮 所属权威专题:国产大模型选型与资费对比 →
  • PaddleOCR-VL重磅开源:0.9B参数登顶全球第一,多模态文档解析模型全面超越GPT-4o
  • OvisOCR2 – 阿里ATH-MaaS团队推出的端到端文档解析模型
  • PaddleOCR-VL-1.6 – 百度推出的文档解析视觉语言模型
  • Unlimited-OCR – 百度开源的端到端长文档 OCR 模型
🏛️ Prompt 语宙研究院 · Prompt 语宙研究院(paooo.com Research)专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示词工程(Prompt Engineering)与全球高增长 AI 生产力工具实测追踪,致力于为中文开发者与创作者提供一手、可复现的深度技术洞察。
📄 Markdown 纯净版
💡 这篇内容对您有启发吗?
📡 RSS 订阅✨ 提交 AI 工具 / 合作
🚀 Prompt 语宙 AI 创作者生态:探索 2,800+ 全球实用 AI 工具与高精度生图提示词咒语库
🧭 语宙 AI 导航 (ai.paooo.com)🎨 AI 生图 Prompt 库📚 核心专题导航⚡ AIGC 早报生成器
手机新物种诞生:阶跃星辰发布原生智能体系统与首款手机STEPX Neo
Codeium
Vid2World:清华重大突破!视频扩散模型秒变交互式世界模型,机器人、游戏开发迎来新范式
清理4.7万条违规内容、封禁3961个账号!网信办重拳斩断AI换脸带货黑产链:四大典型变现形态、平台合规连带责任与防伪技术全景深度剖析
Spotify Studio 桌面应用重磅发布!AI 电台+生成式音频平台深度解析
TAGGED:GLM-OCR多模态OCR文档解析智谱AI轻量级模型
分享
Email 复制链接 打印
Share
Prompt 语宙研究院 头像
ByPrompt 语宙研究院
Follow:
Prompt 语宙研究院(paooo.com Research)专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示词工程(Prompt Engineering)与全球高增长 AI 生产力工具实测追踪,致力于为中文开发者与创作者提供一手、可复现的深度技术洞察。
上一篇 玄武CLI:5分钟部署国产大模型,一键激活华为昇腾、沐曦芯片算力,清昴智能开源利器破解“能用不好用”难题 玄武CLI:5分钟部署国产大模型,一键激活华为昇腾、沐曦芯片算力,清昴智能开源利器破解“能用不好用”难题
下一篇 优必选开源具身智能大模型Thinker:4B参数9项基准全球第一,工业场景准确率99.99% 优必选开源具身智能大模型Thinker:4B参数9项基准全球第一,工业场景准确率99.99%
Ad image
Ad image

最近更新

WordPress 7.2版本更新与默认随机重定向、Secrets API撤回及MCP核心能力拆解封面图
官方博客竟把关闭过滤器写错了!WordPress 7.2前瞻全拆解:默认/random/暗藏隐私与SEO风险、Secrets API紧急撤回与3项MCP只读能力落地
AI 工具
Anthropic上市募资与算力长约的隐喻:现金光环上升,数据中心暗链延伸,治理水晶承受张力与阻力冲击。
募资超1070亿美元却背负9000亿算力长约!Anthropic史上最大IPO背后的三大隐忧:1040亿年内亏损、地方抵制潮与PBC治理死结
AIGC 资讯
微软Copilot与Claude/ChatGPT价格战隐喻:发光玻璃表格堡垒守住Excel,数据流高效汇聚,企业AI竞争升级
3000万付费仅吃下4.5亿席位不到7%!微软Ignite正面叫板Claude与ChatGPT:月均30美元VS 205美元价格战与Excel保卫战全拆解
AIGC 资讯
联想AI推理时代的端边云全栈算力插画:玻璃拟态服务器核心发光,光流连接云端与边缘节点,呈现营收与订单增长动能。
AI营收暴涨80%且握5300亿服务器订单!联想Q2单季营收首破2000亿、净利狂飙166%:端边云全栈算力如何接住推理时代红利?
AIGC 资讯

相关推荐

月之暗面举办Kimi K3庆功活动 现场标语透露K4研发动向
AIGC 资讯

月之暗面举办Kimi K3庆功活动 现场标语透露K4研发动向

Prompt 语宙研究院
AI智能体 AI编程 Kimi 大模型微调 开源大模型
GPT-SoVITS – 开源的声音克隆项目,只需少量数据即可合成声音
AIGC 资讯

GPT-SoVITS – 开源的声音克隆项目,只需少量数据即可合成声音

Prompt 语宙研究院
AI音频与语音 HuggingFace stable diffusion 大模型微调 开源大模型
VisoMaster – AI换脸和编辑软件,支持图片和视频高质量换脸
AIGC 资讯

VisoMaster – AI换脸和编辑软件,支持图片和视频高质量换脸

Prompt 语宙研究院
AI智能体 AI绘画提示词 AI视频生成 大模型微调 开源大模型
PaliGemma 2 mix – 谷歌DeepMind推出的升级版视觉语言模型
AIGC 资讯

PaliGemma 2 mix – 谷歌DeepMind推出的升级版视觉语言模型

Prompt 语宙研究院
Gemini HuggingFace PyTorch 大模型微调 开源大模型
/ Prompt 语宙 /

探索生成式 AI 的无限创作潜能,一站式获取前沿 AIGC 资讯、高阶 Prompt 咒语与全球实用 AI 工具。

核心专栏

  • 语宙 AI 工具导航
  • EVA 视觉抠图工坊Hot
  • 出海数字营销宝典
  • AI 生图咒语灵感库
  • 24H 硅谷 AI 情报流

生态与服务

  • 语宙 AI 导航
  • 全部资讯
  • AI 生图咒语库
  • AIGC 早报生成器
  • 核心专题
  • 提交工具 / 合作

标签

开源大模型 AI智能体 AI办公效率 AI绘画提示词 OpenAI 大模型微调 Midjourney AI编程 stable diffusion AI视频生成 ChatGPT 3D与空间智能 HuggingFace AI音频与语音 RAG检索增强 Claude Flux AIGC Gemini 通义千问 Anthropic Llama Cursor DeepSeek Prompt AI Agent Kimi 智谱AI 具身智能 YouTube
Prompt 语宙Prompt 语宙
Follow US
© 2023–2026 Prompt 语宙 (paooo.com). HalfPX. All Rights Reserved.