智谱开源的轻量级多模态OCR模型GLM-OCR，以0.9B的极小参数量，在复杂文档解析任务上达到SOTA水平。它为开发者提供了一个兼具高性能、低成本与易部署性的全新文档处理方案，尤其擅长处理传统OCR工具难以应对的复杂场景。
智能速览
GLM-OCR是一款0.9B参数的轻量级模型，已正式开源。
在OmniDocBench V1.5基准测试中以94.62分登顶，性能超越PaddleOCR等主流方案。
专精于手写体、印章、复杂表格及数学公式等识别难点。
API调用成本仅为传统方案的十分之一，性价比突出。
支持Ollama等主流框架，一行代码即可实现本地化部署。
精华内容
GLM-OCR的发布，为文档解析领域带来了新的选择。它如何在极小的体积内实现顶尖性能，并平衡易用性与成本？下面深入探讨。
性能实现突破
GLM-OCR仅有0.9B参数，却在权威的OmniDocBench V1.5综合评测中取得了94.62的高分，位列榜单第一。
这一成绩超越了包括百度PaddleOCR V1.5在内的多个主流模型，证明了其在复杂文档理解任务上的卓越能力，展现了小模型也能实现SOTA级性能的可能性。
场景覆盖全面
该模型针对传统OCR工具的短板进行了专项优化，能够精准识别手写体文字、清晰处理带印章的文档、解析结构复杂的表格。
特别是在数学公式的识别上，它展现了强大的理解力，有效解决了许多科研和教育场景下公式录入和转换的核心痛点。
成本与部署优势
除了性能，GLM-OCR在成本和易用性上也具备显著优势。其API调用价格仅为传统商业方案的十分之一，大幅降低了用户的使用门槛和运营成本。
同时，项目完全开源，支持vLLM和Ollama等主流推理框架，开发者仅需一行代码即可完成本地部署，保障了数据的私密性和使用的灵活性。
总而言之，GLM-OCR以其小体积、高性能、低成本和易部署的特点，为开发者和企业提供了一个极具吸引力的文档解析新方案。它未来能否在更多细分场景中展现潜力，并解决用户反馈的实际问题，值得持续关注。
关键评论
有用户实际体验后发现效果不错，但指出模型在处理数学公式时可能存在过拟合问题。
不少开发者关注其与同类产品的对比，例如DeepSeek-OCR2和MinerU的性能差异。
关于本地部署，有用户反馈过程遇到了困难，与官方描述的易用性存在出入。
社区用户也关心模型是否支持llama.cpp框架以及是否可以进行微调。
