今天，智譜AI正式發(fā)布并開源GLM-OCR，以 “小尺寸、高精度” 實現(xiàn)文檔解析能力新標(biāo)桿。沐曦股份曦云C500/C550 GPU充分發(fā)揮高生態(tài)兼容性、軟硬協(xié)同能力優(yōu)勢，高效完成與智譜GLM-OCR Day 0適配。此次曦云C500/C550基于Transformer和vLLM框架對GLM-OCR進(jìn)行適配，在保持優(yōu)異精度的同時，實現(xiàn)高性能、低延遲推理。

這是繼去年12月智譜 GLM-4.6V 系列多模態(tài)大模型之后，沐曦再一次完成與智譜AI模型的快速適配。這充分體現(xiàn)了沐曦 MXMACA 軟件棧與曦云 C 系列的高兼容性與快速適配能力。曦云C系列依托沐曦全棧自研 MXMACA 軟件棧，能實現(xiàn)模型低成本遷移與高效部署，并充分釋放自身澎湃算力，為主流大模型提供 “發(fā)布即能用”的國產(chǎn)算力底座。

關(guān)于GLM-OCR

GLM-OCR作為一款輕量的專業(yè)級 OCR 模型，其核心亮點如下：

性能 SOTA：以 94.6 分登頂 OmniDocBench V1.5，并在公式識別、表格識別、信息抽取的多項主流基準(zhǔn)中均取得 SOTA 表現(xiàn)；

場景優(yōu)化：專攻真實業(yè)務(wù)痛點，在手寫體、復(fù)雜表格、代碼文檔及印章等高難場景中表現(xiàn)穩(wěn)??；

推理高效：僅 0.9B 參數(shù)規(guī)模，支持 vLLM 和 SGLang 部署，顯著降低推理延遲與算力開銷，適合高并發(fā)與邊緣部署；

開源易用：同步開源完整 SDK 與推理工具鏈，支持一行命令快速調(diào)用，輕松接入現(xiàn)有業(yè)務(wù)系統(tǒng)。

性能SOTA、精準(zhǔn)干活兒

得益于自研 CogViT 視覺編碼器與深度場景優(yōu)化，GLM-OCR 實現(xiàn)了“小尺寸，高精度”。

GLM-OCR 參數(shù)量僅 0.9B，但在權(quán)威文檔解析榜單 OmniDocBench V1.5 中以 94.6 分取得SOTA。在文本、公式、表格識別及信息抽取四大細(xì)分領(lǐng)域的表現(xiàn)優(yōu)于多款OCR專項模型，性能接近 Gemini-3-Pro 。

案例實測

除了公開榜單，智譜還針對真實業(yè)務(wù)中的六大核心場景進(jìn)行了內(nèi)部測評。結(jié)果顯示，GLM-OCR 在代碼文檔、真實場景表格、手寫體、多語言、印章識別、票據(jù)提取等維度均取得顯著優(yōu)勢。

在實際應(yīng)用中，GLM-OCR 能精準(zhǔn)解析掃描件、PDF、表格及票據(jù)，有效解決手寫、印章、豎排及多語言混排難題，在復(fù)雜版式下依然保持極高的準(zhǔn)確率和魯棒性。

通用文本識別：GLM-OCR支持照片、截圖、掃描件、文檔輸入，能夠識別手寫體、印章、代碼等特殊文字，可廣泛應(yīng)用于教育、科研、辦公等場景。

案例：手寫公式識別

案例：印章識別

案例：代碼識別

*由于長度原因，截圖未完全展示模型輸出

復(fù)雜表格解析：針對合并單元格、多層表頭等復(fù)雜結(jié)構(gòu)，模型能精準(zhǔn)理解并直接輸出 HTML 代碼。無需二次制表，識別結(jié)果即可用于網(wǎng)頁展示或數(shù)據(jù)處理，大幅提升表格錄入與轉(zhuǎn)換效率。

案例：跨單元格表格

案例：分段表

信息結(jié)構(gòu)化提取：GLM-OCR可從各類卡證、票據(jù)、表格中智能提取關(guān)鍵字段，并輸出標(biāo)準(zhǔn)的JSON格式，無縫對接銀行、保險及物流等行業(yè)系統(tǒng)。

輸入圖片：

prompt：

請按下列JSON格式輸出圖中信息:
```json
{
   "標(biāo)題":"中華人民共和國海關(guān)出口貨物報關(guān)單",
   "境內(nèi)發(fā)貨人": {
    "名稱":"",
    "統(tǒng)一社會信用代碼":"",
    "10位海關(guān)代碼":""
      },
   "出境關(guān)別":"",
   "出口日期":"",
   "申報日期":"",
   "備案號":"",
   "境外收貨人":"",
   "運(yùn)輸方式":"",
   "運(yùn)輸工具名稱及航次號":"",
   "提運(yùn)單號":"",
   "生產(chǎn)銷售單位": {
    "名稱":"",
    "統(tǒng)一社會信用代碼":"",
    "10位海關(guān)代碼":""
      },
   "監(jiān)管方式":"",
   "征免性質(zhì)":"",
   "許可證號":"",
   "合同協(xié)議號":"",
   "貿(mào)易國（地區(qū)）":"",
   "運(yùn)抵國（地區(qū)）":"",
   "指運(yùn)港":"",
   "離境口岸":"",
   "包裝種類":"",
   "件數(shù)":"",
   "毛重(千克)":"",
   "凈重(千克)":"",
   "成交方式":"",
   "運(yùn)費(fèi)":"",
   "保費(fèi)":"",
   "雜費(fèi)":"",
   "商品信息": [{
           "項號":1,
           "商品編號":"",
           "商品名稱":"",
           "數(shù)量":"",
           "單價":"",
           "總價":"",
           "幣制":"",
           "原產(chǎn)國(地區(qū))":"",
           "最終目的國(地區(qū))":"",
           "境內(nèi)貨源地":"",
           "征免":"",
           "規(guī)格型號（申報要素）":""
        },// 如果有多種商品，新建一個字典繼續(xù)在列表中記錄
    ]
}
```

輸出：

```json
{
 "標(biāo)題":"中華人民共和國海關(guān)出口貨物報關(guān)單",
 "境內(nèi)發(fā)貨人": {
   "名稱":"建德市佳泓工具有限公司",
   "統(tǒng)一社會信用代碼":"913301827042918701",
   "10位海關(guān)代碼":""
  },
 "出境關(guān)別":"",
 "出口日期":"",
 "申報日期":"",
 "備案號":"",
 "境外收貨人":"ROSS PROCUREMENT, INC.",
 "運(yùn)輸方式":"水路運(yùn)輸",
 "運(yùn)輸工具名稱及航次號":"",
 "提運(yùn)單號":"",
 "生產(chǎn)銷售單位": {
   "名稱":"建德市佳泓工具有限公司",
   "統(tǒng)一社會信用代碼":"913301827042918701",
   "10位海關(guān)代碼":""
  },
 "監(jiān)管方式":"一般貿(mào)易",
 "征免性質(zhì)":"一般征稅",
 "許可證號":"",
 "合同協(xié)議號":"70037636",
 "貿(mào)易國（地區(qū)）":"美國",
 "運(yùn)抵國（地區(qū)）":"美國",
 "指運(yùn)港":"美國",
 "離境口岸":"北三集司",
 "包裝種類":"紙箱+雙泡殼+標(biāo)貼",
 "件數(shù)":"300",
 "毛重(千克)":"2700.00",
 "凈重(千克)":"2499.00",
 "成交方式":"FOB",
 "運(yùn)費(fèi)":"",
 "保費(fèi)":"",
 "雜費(fèi)":"",
 "商品信息": [
    {
     "項號": 1,
     "商品編號":"8205400000（999）",
     "商品名稱":"螺絲刀",
     "數(shù)量":"1200套",
     "單價":"",
     "總價":"7896.00",
     "幣制":"USD",
     "原產(chǎn)國(地區(qū))":"中國",
     "最終目的國(地區(qū))":"美國",
     "境內(nèi)貨源地":"杭州其他",
     "征免":"照章征稅",
     "規(guī)格型號（申報要素）":""
    }
  ]
}
```

批量處理與RAG支持：GLM-OCR支持大批量文檔的識別與解析，其高精度的識別能力和規(guī)整的輸出格式，可為檢索增強(qiáng)生成（RAG）提供堅實基礎(chǔ)。

更快、更便宜

速度方面，智譜對比了在相同硬件環(huán)境與測試條件下（單副本，單并發(fā)），分別以圖像文件和 PDF 文件為輸入，不同 OCR 方法完成解析并導(dǎo)出 Markdown 文件的速度差異。結(jié)果顯示，GLM-OCR 處理 PDF 文檔的吞吐量達(dá)1.86 頁/秒，圖片達(dá)0.67 張/秒，速度顯著優(yōu)于同類模型。

價格方面，API 輸入輸出同價，僅需 0.2 元 / 百萬 Tokens。1元即可處理約2000張A4大小掃描圖片或200份10頁簡單排版PDF，成本約為傳統(tǒng) OCR方案的1/10。

技術(shù)細(xì)節(jié)

在訓(xùn)練策略方面，GLM-OCR 率先將多 Tokens 預(yù)測損失（MTP）引入OCR模型訓(xùn)練過程，以增強(qiáng)損失信號密度并提升模型學(xué)習(xí)效率。并且，通過持續(xù)且穩(wěn)定的全任務(wù)強(qiáng)化學(xué)習(xí)訓(xùn)練，能夠顯著提升模型在復(fù)雜文檔場景下的整體識別精度與泛化能力。

上述性能提升還得益于 GLM-OCR 在多模態(tài)模型結(jié)構(gòu)上的系統(tǒng)性設(shè)計。模型整體采用“編碼器—解碼器”架構(gòu)，繼承自 GLM-V 系列，由視覺編碼器（ViT）、跨模態(tài)連接層和語言解碼器三大核心模塊組成。其中，視覺側(cè)集成了自研的CogViT視覺編碼器（400M 參數(shù)），并在數(shù)十億級圖文對數(shù)據(jù)上引入 CLIP 策略進(jìn)行大規(guī)模預(yù)訓(xùn)練，使模型具備了強(qiáng)大的文字與版面語義理解能力。

為實現(xiàn)視覺與語言信息的高效融合，GLM-OCR 設(shè)計了一套輕量而高效的連接層結(jié)構(gòu)，融合SwiGLU 機(jī)制并引入4 倍下采樣策略，能夠精準(zhǔn)篩選并保留關(guān)鍵視覺 Token，將高密度語義信息高效傳遞至后端的GLM-0.5B解碼器，從而支撐高精度的 OCR 識別輸出。

在整體系統(tǒng)層面，GLM-OCR 采用“版面分析 → 并行識別”的兩階段技術(shù)范式。其中，版面分析模塊基于 PP-DocLayout-V3 實現(xiàn)，能夠在版式多樣、結(jié)構(gòu)復(fù)雜的文檔場景下實現(xiàn)穩(wěn)定、高質(zhì)量且高效率的 OCR 解析效果。

開源與在線體驗

1.開源地址

Github：https://github.com/zai-org/GLM-OCR

Hugging Face：https://huggingface.co/zai-org/GLM-OCR

2.模型API

智譜開放平臺：https://docs.bigmodel.cn/cn/guide/models/vlm/glm-ocr

開放平臺特惠嘗鮮禮包已上線：https://bigmodel.cn/special_area

Z.ai：https://docs.z.ai/guides/vlm/glm-ocr

3.在線體驗

Z.ai：https://ocr.z.ai

關(guān)于沐曦股份

沐曦股份致力于自主研發(fā)全棧高性能GPU芯片及計算平臺，為智算、通用計算、云渲染等前沿領(lǐng)域提供高能效、高通用性的算力支撐，助力數(shù)字經(jīng)濟(jì)發(fā)展。