GLM-OCR发布：性能SOTA，搞定复杂文档-AI Express News

今天，我们正式发布并开源GLM-OCR，以“小尺寸、高精度”实现文档解析能力新标杆。作为一款轻量的专业级OCR模型，其核心亮点如下：

性能SOTA：以94.6分登顶OmniDocBench V1.5，并在公式识别、表格识别、信息抽取的多项主流基准中均取得SOTA表现；
场景优化：专攻真实业务痛点，在手写体、复杂表格、代码文档及印章等高难场景中表现稳健；
推理高效：仅0.9B参数规模，支持vLLM、SGLang和Ollama部署，显著降低推理延迟与算力开销，适合高并发与边缘部署；
开源易用：同步开源完整SDK与推理工具链，环境依赖简单，支持一行命令快速调用，轻松接入现有业务系统。

性能SOTA、精准干活儿

得益于自研CogViT视觉编码器与深度场景优化，GLM-OCR实现了“小尺寸，高精度”。

GLM-OCR参数量仅0.9B，但在权威文档解析榜单OmniDocBench V1.5中以94.6分取得SOTA性能。在文本、公式、表格识别及信息抽取四大细分领域的表现优于多款OCR专项模型，性能接近Gemini-3-Pro。

除了公开榜单，我们还针对真实业务中的六大核心场景进行了内部测评。结果显示，GLM-OCR在代码文档、真实场景表格、手写体、多语言、印章识别、票据提取等维度均取得显著优势。

案例实测

在实际应用中，GLM-OCR能够精准解析扫描件、PDF、表格及票据，有效解决手写、印章、竖排及多语言混排难题，在复杂版式下依然保持极高的准确率和鲁棒性。

通用文本识别：GLM-OCR支持照片、截图、扫描件、文档输入，能够识别手写体、印章、代码等特殊文字，可广泛应用于教育、科研、办公等场景。

案例：手写公式识别

案例：印章识别

案例：代码识别

复杂表格解析：针对合并单元格、多层表头等复杂结构，模型能精准理解并直接输出HTML代码。无需二次制表，识别结果即可用于网页展示或数据处理，大幅提升表格录入与转换效率。

案例：跨单元格表格

案例：分段表

信息结构化提取：GLM-OCR可从各类卡证、票据、表格中智能提取关键字段，并输出标准的JSON格式，无缝对接银行、保险及物流等行业系统。

输入图片：

prompt：

请按下列JSON格式输出图中信息:```json{        "标题": "中华人民共和国海关出口货物报关单",        "境内发货人": {          "名称":"",          "统一社会信用代码":"",          "10位海关代码":""            },        "出境关别": "",        "出口日期": "",        "申报日期": "",        "备案号": "",        "境外收货人": "",        "运输方式": "",        "运输工具名称及航次号": "",        "提运单号": "",        "生产销售单位": {          "名称":"",          "统一社会信用代码":"",          "10位海关代码":""            },        "监管方式": "",        "征免性质": "",        "许可证号": "",        "合同协议号": "",        "贸易国（地区）": "",        "运抵国（地区）": "",        "指运港": "",        "离境口岸": "",        "包装种类": "",        "件数": "",        "毛重(千克)": "",        "净重(千克)": "",        "成交方式": "",        "运费": "",        "保费": "",        "杂费": "",        "商品信息": [{                        "项号": 1,                        "商品编号": "",                        "商品名称": "",                        "数量": "",                        "单价": "",                        "总价": "",                        "币制": "",                        "原产国(地区)": "",                        "最终目的国(地区)": "",                        "境内货源地": "",                        "征免": "",                        "规格型号（申报要素）": ""                }, // 如果有多种商品，新建一个字典继续在列表中记录        ]}```

输出：

```json{    "标题": "中华人民共和国海关出口货物报关单",    "境内发货人": {        "名称": "建德市佳泓工具有限公司",        "统一社会信用代码": "913301827042918701",        "10位海关代码": ""    },    "出境关别": "",    "出口日期": "",    "申报日期": "",    "备案号": "",    "境外收货人": "ROSS PROCUREMENT, INC.",    "运输方式": "水路运输",    "运输工具名称及航次号": "",    "提运单号": "",    "生产销售单位": {        "名称": "建德市佳泓工具有限公司",        "统一社会信用代码": "913301827042918701",        "10位海关代码": ""    },    "监管方式": "一般贸易",    "征免性质": "一般征税",    "许可证号": "",    "合同协议号": "70037636",    "贸易国（地区）": "美国",    "运抵国（地区）": "美国",    "指运港": "美国",    "离境口岸": "北三集司",    "包装种类": "纸箱+双泡壳+标贴",    "件数": "300",    "毛重(千克)": "2700.00",    "净重(千克)": "2499.00",    "成交方式": "FOB",    "运费": "",    "保费": "",    "杂费": "",    "商品信息": [        {            "项号": 1,            "商品编号": "8205400000（999）",            "商品名称": "螺丝刀",            "数量": "1200套",            "单价": "",            "总价": "7896.00",            "币制": "USD",            "原产国(地区)": "中国",            "最终目的国(地区)": "美国",            "境内货源地": "杭州其他",            "征免": "照章征税",            "规格型号（申报要素）": ""        }    ]}```

批量处理与RAG支持：GLM-OCR支持大批量文档的识别与解析，其高精度的识别能力和规整的输出格式，可为检索增强生成（RAG）提供坚实基础。

更快、更便宜

速度方面，我们对比了在相同硬件环境与测试条件下（单副本，单并发），分别以图像文件和PDF文件为输入，不同OCR方法完成解析并导出Markdown文件的速度差异。结果显示，GLM-OCR处理PDF文档的吞吐量达1.86页/秒，图片达0.67张/秒，速度显著优于同类模型。

价格方面，API输入输出同价，仅需0.2元/百万Tokens。1元即可处理约2000张A4大小扫描图片或200份10页简单排版PDF，成本约为传统OCR方案的1/10。

技术细节

在训练策略方面，GLM-OCR率先将多Tokens预测损失（MTP）引入OCR模型训练过程，以增强损失信号密度并提升模型学习效率。并且，通过持续且稳定的全任务强化学习训练，能够显著提升模型在复杂文档场景下的整体识别精度与泛化能力。

上述性能提升还得益于GLM-OCR在多模态模型结构上的系统性设计。模型整体采用“编码器-解码器”架构，继承自GLM-V系列，由视觉编码器（ViT）、跨模态连接层和语言解码器三大核心模块组成。其中，视觉侧集成了自研的CogViT视觉编码器（400M参数），并在数十亿级图文对数据上引入CLIP策略进行大规模预训练，使模型具备了强大的文字与版面语义理解能力。

为实现视觉与语言信息的高效融合，GLM-OCR设计了一套轻量而高效的连接层结构，融合SwiGLU机制并引入4倍下采样策略，能够精准筛选并保留关键视觉 Token，将高密度语义信息高效传递至后端的GLM-0.5B解码器，从而支撑高精度的OCR识别输出。

在整体系统层面，GLM-OCR采用“版面分析→并行识别”的两阶段技术范式。其中，版面分析模块基于PP-DocLayout-V3实现，能够在版式多样、结构复杂的文档场景下实现稳定、高质量且高效率的OCR解析效果。