2026-03-15
GLM-OCR 技术报告发布于 arXiv
Z.AI 发布了完整技术报告（arXiv 2603.10910），详细介绍了 GLM-OCR 的架构：CogViT 编码器、MTP 解码、PP-DocLayout-V3 两阶段流程以及 KIE 任务路径。报告包含消融实验结果，显示 MTP 相比标准自回归解码吞吐量提升约 50%，以及 OmniDocBench V1.5 综合排名第一的成绩。
TheRouter 编辑重写arxiv.org ↗
返回模型列表
GLM OCR
zhipuzhipu/glm-ocr
Zhipu AI GLM OCR (0.9B) — document parser for PDF/image to structured Markdown text extraction.
GLM-OCR 是 Z.AI（原智谱 AI）于 2026 年 2 月 3 日以 MIT 许可证发布的 0.9B 参数多模态 OCR 模型。它将在大规模图文数据上预训练的 0.4B CogViT 视觉编码器、轻量跨模态连接器与 0.5B GLM 语言解码器组合在一起。该模型专为文档理解而构建，而非将通用视觉语言模型改装用于 OCR：可从扫描 PDF、图片、表格、数学公式、代码块、印章和手写文本中生成结构化 Markdown、JSON 和 LaTeX 输出。
在架构层面，GLM-OCR 采用多 token 预测（MTP）——训练时每步预测 10 个 token，推理时平均每步生成 5.2 个 token——吞吐量比标准自回归解码提升约 50%。在系统层面，它遵循两阶段流程：首先由 PP-DocLayout-V3 分析页面布局并识别结构化区域，再由 GLM-OCR 对这些区域进行并行识别和结构化输出。这使其与逐行从左到右阅读页面的方式有本质差异，对复杂版式的鲁棒性更强。在 OmniDocBench V1.5 上，GLM-OCR 以 94.62 的分数在发布时综合排名第一，且可在仅 4 GB 显存的硬件上运行。
适合使用
- • 企业文档数字化——将扫描 PDF、发票和合同转换为结构化 Markdown 或 JSON，同时保留表格、公式和多栏版面。
- • 关键信息提取（KIE）——将完整文档图像与任务提示输入模型，直接以 JSON 形式提取特定字段（日期、金额、实体名称），无需独立管道。
- • 对成本和延迟敏感的高并发文档解析服务——1.86 页/秒的 PDF 吞吐和不足 4 GB 的显存占用，使其适用于边缘部署和注重预算的 API 路由。
- • RAG 和知识库管道——在分块和嵌入之前，需要从混合版式文档（报告、学术论文、政府表单）中提取干净的结构化文本。
不适合使用
- • 通用对话或指令跟随——GLM-OCR 是 OCR 提取模型，而非对话助手。对话场景请使用 zhipu/glm-4 或同类模型。
- • 自然语言图像描述或视觉问答——该模型的输出路径专为文档结构设计，不适用于自由形式的场景描述。请改用通用视觉语言模型。
上下文长度
66K
最大输出
16K
输入价格每百万 tokens
$0.0324每百万 Tokens
输出价格每百万 tokens
$0.0324每百万 Tokens
模态能力
文本图像PDF→文本ocr
能力
OCR视觉理解
媒体生成能力
ocr
- input_formats
- png
- jpg
- jpeg
价格明细
| 类型 | 费率 |
|---|---|
| 输入 | $0.0324 每百万 Tokens |
| 输出 | $0.0324 每百万 Tokens |
支持参数
temperaturemax_tokenstop_presponse_formatstop
模型规格
| 发布日期 | 2026-02-03huggingface.co ↗ | 已核实 |
| 许可 | MIThuggingface.co ↗ | 已核实 |
| 参数总量 | 0.9B（0.4B CogViT 编码器 + 0.5B GLM 解码器）arxiv.org ↗ | 已核实 |
| 最低显存要求 | 4 GBpasqualepillitteri.it ↗ | 待核实 |
| PDF 吞吐（单并发） | 1.86 页/秒huggingface.co ↗ | 已核实 |
| 图片吞吐（单并发） | 0.67 张/秒huggingface.co ↗ | 已核实 |
| MTP 解码速度 | 平均 5.2 tokens/step（训练目标 10）arxiv.org ↗ | 已核实 |
| 训练数据截止 | 未公开披露 | 未知 |
基准成绩
| Benchmark | Distribution | Score | Source |
|---|---|---|---|
OmniDocBench V1.5 | 94.62score | huggingface.co ↗ |
API 使用示例
所有新集成都应使用下方示例中的全球端点 api.therouter.ai；旧中国加速端点已下线。
cURL
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."}
]
}'API 使用指南
完整 API 参考 →文档解析（PDF / 图片 → Markdown）
cURL
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."
}
]
}
]
}'zhipu 其他模型
同类模型
跨供应商的相似能力档位动态与变更
常见问题
GLM-OCR 能处理手写文本和印章吗？
是的。该模型专门针对真实业务文档场景进行了优化，包括手写文本、印章、代码密集型文档和复杂表格版式，而不仅仅是干净的印刷页面。OmniDocBench V1.5 第一名涵盖了这些混合内容基准。
TheRouter 编辑重写huggingface.co ↗
文档解析应该直接调用 API 还是使用 GLM-OCR SDK？
Z.AI 推荐在文档解析任务中使用官方 SDK（github.com/zai-org/GLM-OCR），因为它集成了 PP-DocLayout-V3 进行版式预处理，从而提高在复杂多栏或多区域文档上的准确性。直接调用原始 API 端点更简单，但会跳过版式分析阶段——对于单页图像，或者你已经自行处理版式检测时效果良好。对于 KIE 任务，目前不需要 SDK；直接使用 JSON 提取 prompt 调用模型即可。
TheRouter 编辑重写huggingface.co ↗
GLM-OCR 可以在本地运行吗？硬件要求是什么？
可以。GLM-OCR 以 MIT 许可的开放权重模型（HuggingFace 上的 zai-org/GLM-OCR）发布，支持通过 vLLM、SGLang 和 Ollama 进行本地部署。最低显存要求为 4 GB，中端消费级 GPU 即可运行。通过 TheRouter，无需任何本地配置即可调用，按 token 计费。
TheRouter 编辑重写huggingface.co ↗
事实档案 — 本页每条断言可在此回溯来源
| 来源 | URL | 采集于 | |
|---|---|---|---|
| 发布日期 | huggingface.co ↗ | 2026-06-09 | 已核实 |
| 许可 | huggingface.co ↗ | 2026-06-09 | 已核实 |
| 参数总量 | arxiv.org ↗ | 2026-06-09 | 已核实 |
| 最低显存要求 | pasqualepillitteri.it ↗ | 2026-06-09 | 待核实 |
| PDF 吞吐（单并发） | huggingface.co ↗ | 2026-06-09 | 已核实 |
| 图片吞吐（单并发） | huggingface.co ↗ | 2026-06-09 | 已核实 |
| MTP 解码速度 | arxiv.org ↗ | 2026-06-09 | 已核实 |
| 训练数据截止 | — | — | 未知 |
| OmniDocBench V1.5 | huggingface.co ↗ | 2026-06-09 | 已核实 |
| GLM-OCR 技术报告发布于 arXiv | arxiv.org ↗ | 2026-06-09 | 已核实 |
| GLM-OCR 能处理手写文本和印章吗？ | huggingface.co ↗ | 2026-06-09 | 待核实 |
| 文档解析应该直接调用 API 还是使用 GLM-OCR SDK？ | huggingface.co ↗ | 2026-06-09 | 待核实 |
| GLM-OCR 可以在本地运行吗？硬件要求是什么？ | huggingface.co ↗ | 2026-06-09 | 待核实 |