智谱今日正式发布并开源了专业级 OCR 模型 GLM-OCR。该模型以0.9B 的轻量化尺寸实现了跨级性能突破，在多项权威基准测试中登顶，旨在解决复杂文档解析中的真实业务痛点。

核心性能:小尺寸下的 SOTA 表现

尽管参数规模仅为0.9B，但 GLM-OCR 的表现惊人。在权威文档解析榜单 OmniDocBench V1.5 中，它以 94.6分的高分夺冠，其性能已逼近通用大模型 Gemini-3-Pro。无论是在文本识别、数学公式推导、复杂表格解析，还是关键信息抽取（KIE）方面，均取得了 SOTA(业内最顶尖)表现。

智谱发布0.9B 轻量级 GLM-OCR:性能登顶，千次处理仅需0.1元

场景突破:直击复杂文档痛点

GLM-OCR 针对六大高难业务场景进行了专项优化，表现稳健:

  • 复杂表格: 支持合并单元格与多层表头，可直接输出标准 HTML 代码。

  • 结构化提取: 智能识别卡证票据，输出标准 JSON 格式。

  • 手写体与代码: 完美兼容教育科研中的手写公式及程序员的代码截图。

  • 特殊标识: 具备极高的印章识别与多语言混排处理能力。

智谱发布0.9B 轻量级 GLM-OCR:性能登顶，千次处理仅需0.1元

极致效率:推理更快，成本更低

在效率与成本控制上，GLM-OCR 展现了极强的商业竞争力:

  • 极速推理: PDF 处理吞吐量达 1.86页/秒，显著优于同类模型;支持 vLLM、Ollama 等主流部署方式。

  • 极致性价比: API 价格低至 0.2元/百万 Tokens。相比传统 OCR 方案，成本仅为其1/10，处理一千张 A4扫描件仅需约0.5元。

技术揭秘:多模态架构与强化学习

GLM-OCR 继承自 GLM-V 系列架构，集成自研 CogViT 视觉编码器。通过引入**多 Tokens 预测损失（MTP）**与全任务强化学习，模型在复杂版面下的泛化能力显著提升。其独特的4倍下采样策略与 SwiGLU 机制，确保了视觉信息与语言解码器的高效融合。

目前，GLM-OCR 已在GitHub和Hugging Face同步开源，智谱开放平台也已上线相关 API 及优惠包。