Zhipu AI GLM OCR (0.9B) — document parser for PDF/image to structured Markdown text extraction.
GLM-OCR — мультимодальная OCR-модель с 0.9B параметров, выпущенная Z.AI (ранее Zhipu AI) 3 февраля 2026 года под лицензией MIT. Модель объединяет 0.4B CogViT visual encoder, предобученный на больших наборах пар изображение–текст, лёгкий кросс-модальный коннектор и 0.5B GLM language decoder. Она создавалась специально для понимания документов, а не является адаптацией universal VLM: на выходе — структурированный Markdown, JSON и LaTeX из PDF-сканов, изображений, таблиц, формул, кодовых блоков, печатей и рукописного текста.
С архитектурной точки зрения GLM-OCR использует Multi-Token Prediction (MTP): модель обучена предсказывать 10 токенов за шаг и достигает в среднем 5.2 токена за шаг на инференсе — это примерно на 50% выше throughput, чем у стандартного авторегрессивного декодирования. На системном уровне используется двухэтапный пайплайн: PP-DocLayout-V3 сначала анализирует разметку страницы и выделяет структурированные области, затем GLM-OCR параллельно их распознаёт. Это принципиально отличает модель от плоского поочерёдного чтения страниц и обеспечивает устойчивость к сложным макетам. На OmniDocBench V1.5 набирает 94.62 балла — №1 в общем зачёте среди всех моделей на момент выхода — при этом работает на видеокарте с объёмом VRAM всего от 4 ГБ.
| Тип | Ставка |
|---|---|
| Вход | $0.0324 за 1 млн токенов |
| Выход | $0.0324 за 1 млн токенов |
| Дата релиза | 2026-02-03huggingface.co ↗ | проверено |
| Лицензия | MIThuggingface.co ↗ | проверено |
| Всего параметров | 0.9B (0.4B CogViT encoder + 0.5B GLM decoder)arxiv.org ↗ | проверено |
| Минимальный объём VRAM | 4 ГБpasqualepillitteri.it ↗ | к проверке |
| Throughput PDF (1 воркер) | 1.86 стр./секhuggingface.co ↗ | проверено |
| Throughput изображений (1 воркер) | 0.67 изобр./секhuggingface.co ↗ | проверено |
| Скорость декодирования MTP | В среднем 5.2 токена/шаг (обучено на 10)arxiv.org ↗ | проверено |
| Дата отсечения данных | Не раскрыто публично | неизвестно |
| Benchmark | Distribution | Score | Source |
|---|---|---|---|
OmniDocBench V1.5 | 94.62score | huggingface.co ↗ |
Для новых интеграций используйте глобальный endpoint api.therouter.ai из примеров ниже; старый China accelerated endpoint выведен из эксплуатации.
curl https://api.therouter.ai/v1/chat/completions -H "Content-Type: application/json" -H "Authorization: Bearer $THE_ROUTER_API_KEY" -d '{
"model": "zhipu/glm-ocr",
"messages": [
{"role": "user", "content": "Summarize the key points from this input."}
]
}'curl https://api.therouter.ai/v1/chat/completions \
-H "Authorization: Bearer $THEROUTER_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "zhipu/glm-ocr",
"messages": [
{
"role": "user",
"content": [
{
"type": "image_url",
"image_url": { "url": "https://therouter.ai/assets/vision-sample.png" }
},
{
"type": "text",
"text": "Convert this document to structured Markdown. Preserve tables, headings, and list structure exactly."
}
]
}
]
}'Z.AI опубликовала полный технический отчёт (arXiv 2603.10910) с описанием архитектуры GLM-OCR: CogViT encoder, MTP-декодирование, двухэтапный пайплайн PP-DocLayout-V3 и путь задачи KIE. Отчёт включает результаты аблаций, показывающих прирост throughput ~50% от MTP по сравнению со стандартным авторегрессивным декодированием, а также первое место на OmniDocBench V1.5.
Да. Модель специально оптимизирована для реальных бизнес-сценариев, включая рукописный текст, печати, документы с большим объёмом кода и сложными таблицами — не только чистые печатные страницы. Первое место на OmniDocBench V1.5 охватывает эти смешанные контент-бенчмарки.
Z.AI рекомендует официальный SDK (github.com/zai-org/GLM-OCR) для задач парсинга документов, поскольку он интегрирует PP-DocLayout-V3 для предобработки макета, что повышает точность на сложных многоколоночных или многозонных документах. Прямой вызов API проще, но минует этап анализа макета — хорошо работает для одностраничных изображений или когда вы уже сами обрабатываете детекцию макета. Для задач KIE SDK пока не нужен — вызывайте модель напрямую с промптом для извлечения JSON.
Да. GLM-OCR поставляется как open-weight модель с лицензией MIT (zai-org/GLM-OCR на HuggingFace) и поддерживает локальный деплой через vLLM, SGLang и Ollama. Минимальный заявленный объём VRAM — 4 ГБ, что делает её доступной на среднем потребительском GPU. Через TheRouter можно вызывать её без локальной установки с оплатой по токенам.
| источник | URL | получено | |
|---|---|---|---|
| Дата релиза | huggingface.co ↗ | 2026-06-09 | проверено |
| Лицензия | huggingface.co ↗ | 2026-06-09 | проверено |
| Всего параметров | arxiv.org ↗ | 2026-06-09 | проверено |
| Минимальный объём VRAM | pasqualepillitteri.it ↗ | 2026-06-09 | к проверке |
| Throughput PDF (1 воркер) | huggingface.co ↗ | 2026-06-09 | проверено |
| Throughput изображений (1 воркер) | huggingface.co ↗ | 2026-06-09 | проверено |
| Скорость декодирования MTP | arxiv.org ↗ | 2026-06-09 | проверено |
| Дата отсечения данных | — | — | неизвестно |
| OmniDocBench V1.5 | huggingface.co ↗ | 2026-06-09 | проверено |
| Технический отчёт GLM-OCR опубликован на arXiv | arxiv.org ↗ | 2026-06-09 | проверено |
| Справляется ли GLM-OCR с рукописным текстом и печатями? | huggingface.co ↗ | 2026-06-09 | к проверке |
| Что лучше использовать для парсинга документов: API напрямую или SDK GLM-OCR? | huggingface.co ↗ | 2026-06-09 | к проверке |
| Можно ли запустить GLM-OCR локально, и каковы требования к оборудованию? | huggingface.co ↗ | 2026-06-09 | к проверке |