# 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

- Link: https://paooo.com/aigc-news/11520/
- Published: 2026-06-11T17:12:22+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 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](https://paooo.com/aigc-news/11520/#glmocr%e6%98%af%e4%bb%80%e4%b9%88)
 * [GLM-OCR的主要功能](https://paooo.com/aigc-news/11520/#glmocr%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [GLM-OCR的技术原理](https://paooo.com/aigc-news/11520/#glmocr%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [GLM-OCR的项目地址](https://paooo.com/aigc-news/11520/#glmocr%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [GLM-OCR的应用场景](https://paooo.com/aigc-news/11520/#glmocr%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)
       * [📝 站长洞察 (Editor’s Insight)](https://paooo.com/aigc-news/11520/#%f0%9f%93%9d-%e7%ab%99%e9%95%bf%e6%b4%9e%e5%af%9f-editor8217s-insight)

![GLM-OCR](https://paooo.com/wp-content/uploads/2026/05/GLM-OCR-website1-1.avif)

## 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](https://paooo.com/ai-study/)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](https://ai.paooo.com/)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 →](https://paooo.com/topics/domestic-llm-ecosystem/)

 * [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](https://paooo.com/aigc-news/13283/)
 * [OvisOCR2 – 阿里ATH-MaaS团队推出的端到端文档解析模型](https://paooo.com/aigc-news/30661/)
 * [PaddleOCR-VL-1.6 – 百度推出的文档解析视觉语言模型](https://paooo.com/aigc-news/18598/)
 * [Unlimited-OCR – 百度开源的端到端长文档 OCR 模型](https://paooo.com/aigc-news/24225/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · 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](https://paooo.com/aigc-news/11520/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 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)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
