智谱开源 GLM-OCR：仅 0.9B 拿下基准第一，支持 Ollama 极速部署

智谱推出的 GLM-OCR 是一个专门用来啃复杂文档的轻量级多模态模型，参数量只有 0.9B，能直接把复杂的图片和 PDF 转换成干净的 Markdown 或结构化 JSON。

它完全采用 MIT 协议开源，不需要复杂的云端调用，直接拉到本地就能用 Ollama、vLLM 或 SGLang 跑起来。

它能做什么

GLM-OCR 的核心任务就是把传统 OCR 容易搞砸的复杂文档彻底理顺。无论是密密麻麻的代码块、带复杂合并单元格的表格，还是连笔的手写信和数学公式，它都能直接解析并输出可编辑的内容。

遇到表格图片时，它不会输出一堆错位的纯文本，而是能直接重建成标准的 HTML 表格结构，方便后续直接排版或导入数据系统。

如果是发票、收据、证件或业务表单，它可以按照预设的 JSON 格式直接提取关键字段，省去了传统文档处理中繁琐的正则匹配和后处理步骤。

在输入规格上，模型单张图片支持最大 10MB，PDF 最大支持 50MB 且最多能处理 100 页。支持的语言包括中文、英文、法文、西班牙文、俄文、德文、日文和韩文等多种主流语言。

怎么做到的与性能表现

GLM-OCR 依靠智谱自研的 CogViT 视觉编码器，基于 GLM-V 架构进行针对性训练，在保持极小体积的同时大幅压榨了视觉理解的精度。

在权威文档解析评测 OmniDocBench V1.5 上，这个仅 0.9B 的模型拿下了 94.62 的高分，不仅超越了百度此前的 Paddle-OCR-VL 等专用模型，在文本、公式、表格和信息抽取四个核心指标上的表现已经逼近了 Gemini-3-Pro 这种体量的通用大模型。

除了准确率，它的推理吞吐量也很突出。在单副本、单并发的相同硬件基准测试中，GLM-OCR 解析 PDF 的速度达到每秒 1.86 页，图片处理速度达到每秒 0.67 张，显著快于同类方案。

对于想直接调用云端服务的开发者，智谱 API 给出的输入输出统一定价为每百万 token 0.03 美元，性价比极高。

本地部署也非常省心，由于直接支持 Ollama、vLLM 和 SGLang 等主流推理后端，普通开发机甚至个人电脑就能直接跑，延迟很低。

为什么重要

如果你正在搭建本地知识库、RAG 系统，或者需要批量处理合同与发票，GLM-OCR 非常值得马上换上试一试。过去为了保证高精度的文档切分，开发者往往需要调用昂贵的商业闭源视觉大模型，或者拼凑一堆脆弱的传统 OCR 加规则管线；GLM-OCR 用 0.9B 的极小体量兼顾了高精度与超低部署门槛，可以说是当前端侧和私有化文档解析极具竞争力的工具。

对行业来说，它证明了端侧小模型在垂直任务上完全有能力硬碰通用巨无霸。MIT 协议彻底放开了商用限制，预计很快会成为各大开源 RAG 框架和本地文档助手标配的解析后端。