智谱AI开源了GLM OCR模型，这是一个两阶段OCR方案。它在布局检测后使用自研轻量级VLM，在OmniDocBench v1.5基准上取得了领先成绩。这为理解当前高性能OCR模型的技术路线提供了新的参考。
智能速览
智谱GLM OCR是一个两阶段模型，结合了布局检测与VLM。
其布局检测部分采用了百度的PP-DocLayout-V3模型。
在OmniDocBench v1.5评测中，该模型达到两阶段模型SOTA。
OCR模型可分为两阶段Pipeline与一阶段End-to-End两类。
精华内容
智谱开源的GLM OCR模型，其技术架构设计颇具巧思，通过两阶段处理流程，实现了性能上的突破。下文将深入拆解其设计思路与核心组件。
模型定位
智谱GLM OCR被明确定义为一个两阶段Pipeline模型。这类模型的核心思想是分而治之，首先通过专门的模型识别文档的整体布局，如标题、段落、表格和图片等区域，然后再针对识别出的文本区域进行光学字符识别。这种设计路径在追求高精度和复杂文档处理能力上具备天然优势，GLM OCR在OmniDocBench v1.5上达到SOTA也印证了这一点。
架构拆解
GLM OCR的架构分为两个关键部分。第一阶段的布局检测并未从零开始，而是选用了业界成熟的百度PP-DocLayout-V3模型，利用其强大的版面分析能力来确定文本位置。第二阶段的OCR则采用了智谱自研的轻量级视觉语言模型（VLM）。这种组合策略，既借助了现有领先技术的稳定性，又通过自研核心模型保证了在OCR任务上的性能与效率。
行业对比
在OCR领域，技术路线主要分为两大阵营。除了GLM OCR所代表的两阶段Pipeline模型，如PaddleOCR-VL和MinerU2.5，还有另一类是端到端的一阶段模型，如dots.ocr、DeepSeek OCR和HunyuanOCR等。一阶段模型力求用一个模型解决所有问题，结构更简洁，但两阶段模型在处理复杂版面时通常展现出更强的鲁棒性和精度。了解这种技术路线的差异，有助于根据具体应用场景选择合适的方案。
智谱开源GLM OCR，不仅提供了一个高性能的工具，更展示了其“成熟布局+自研核心”的务实技术路径。这对于整个OCR社区来说是一次有价值的贡献，未来这类结合了两者优势的模型会如何演进，值得关注。
