GLM-OCR以0.9B小参数量实现了94.6分的文档解析性能，在权威基准测试中登顶，为复杂文档处理提供了高效低成本的解决方案。
智能速览
GLM-OCR以94.6分登顶OmniDocBench V1.5榜单
0.9B小参数量，支持vLLM、SGLang和Ollama部署
在手写体、复杂表格、代码文档等场景表现优异
API价格仅0.2元/百万Tokens，成本为传统方案1/10
处理速度达1.86页/秒(PDF)和0.67张/秒(图片)
采用自研CogViT视觉编码器和两阶段技术范式
精华内容
GLM-OCR通过创新的模型架构和训练策略，在保持轻量化的同时实现了业界领先的文档解析性能，为实际业务场景提供了可靠的技术支撑。
性能表现
GLM-OCR在OmniDocBench V1.5权威榜单中以94.6分取得SOTA性能，接近Gemini-3-Pro水平。在文本识别、公式识别、表格识别和信息抽取四大细分领域全面领先。文本识别方面达到94.0分，超越Deepseek-MinerU的92.1分和PaddleOCR的91.9分；公式识别获得96.5分，在UniMERnet基准上领先；表格识别达到85.2分，在PubTabNet测试中表现突出；信息抽取取得93.7分，在Nanonets-KIE和Handwritten-Forms测试中均领先。
场景优化
GLM-OCR针对真实业务痛点进行了深度优化，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。模型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。在代码文档识别中能够准确提取代码内容；在真实场景表格解析中，针对合并单元格、多层表头等复杂结构，能精准理解并直接输出HTML代码；在手写体识别方面保持了高准确率；在印章识别和多语言混排场景中也展现出强大的鲁棒性。
效率优势
GLM-OCR仅0.9B参数规模，显著降低推理延迟与算力开销，适合高并发与边缘部署。在相同硬件环境下，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。成本方面，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。模型支持大批量文档识别与解析，可为检索增强生成(RAG)提供坚实基础。
技术架构
GLM-OCR采用"编码器-解码器"架构，由视觉编码器、跨模态连接层和语言解码器组成。视觉侧集成自研的CogViT视觉编码器(400M参数)，在数十亿级图文对数据上引入CLIP策略进行大规模预训练。连接层融合SwiGLU机制并引入4倍下采样策略，精准筛选关键视觉Token并传递至GLM-0.5B解码器。系统层面采用"版面分析→并行识别"两阶段技术范式，版面分析模块基于PP-DocLayout-V3实现。
创新训练
GLM-OCR在训练策略上实现重要突破，率先将多Tokens预测损失(MTP)引入OCR模型训练过程，增强损失信号密度并提升学习效率。通过持续且稳定的全任务强化学习训练，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。这些技术创新与系统设计共同作用，使GLM-OCR实现了"小尺寸，高精度"的技术目标，为文档解析领域树立了新标杆。
GLM-OCR的开源发布为文档处理领域带来了新的技术选择，其轻量高效的特性将推动OCR技术在更多场景的应用落地。未来多尺寸版本和多语言支持的规划，值得持续关注其发展动态。
