智譜開源 GLM-OCR：僅 0.9B 拿下基準第一，支援 Ollama 極速部署

智譜推出的 GLM-OCR 是一個專門用來啃複雜文件的輕量級多模態模型，引數量只有 0.9B，能直接把複雜的圖片和 PDF 轉換成乾淨的 Markdown 或結構化 JSON。

它完全採用 MIT 協議開源，不需要複雜的雲端呼叫，直接拉到本地就能用 Ollama、vLLM 或 SGLang 跑起來。

它能做什麼

GLM-OCR 的核心任務就是把傳統 OCR 容易搞砸的複雜文件徹底理順。無論是密密麻麻的程式碼塊、帶複雜合併單元格的表格，還是連筆的手寫信和數學公式，它都能直接解析並輸出可編輯的內容。

遇到表格圖片時，它不會輸出一堆錯位的純文本，而是能直接重建成標準的 HTML 表格結構，方便後續直接排版或匯入資料系統。

如果是發票、收據、證件或業務表單，它可以按照預設的 JSON 格式直接提取關鍵欄位，省去了傳統文件處理中繁瑣的正則匹配和後處理步驟。

在輸入規格上，模型單張圖片支援最大 10MB，PDF 最大支援 50MB 且最多能處理 100 頁。支援的語言包括中文、英文、法文、西班牙文、俄文、德文、日文和韓文等多種主流語言。

怎麼做到的與效能表現

GLM-OCR 依靠智譜自研的 CogViT 視覺編碼器，基於 GLM-V 架構進行針對性訓練，在保持極小體積的同時大幅壓榨了視覺理解的精度。

在權威文件解析評測 OmniDocBench V1.5 上，這個僅 0.9B 的模型拿下了 94.62 的高分，不僅超越了百度此前的 Paddle-OCR-VL 等專用模型，在文本、公式、表格和資訊抽取四個核心指標上的表現已經逼近了 Gemini-3-Pro 這種體量的通用大模型。

除了準確率，它的推理吞吐量也很突出。在單副本、單併發的相同硬體基準測試中，GLM-OCR 解析 PDF 的速度達到每秒 1.86 頁，圖片處理速度達到每秒 0.67 張，顯著快於同類方案。

對於想直接呼叫雲端服務的開發者，智譜 API 給出的輸入輸出統一定價為每百萬 token 0.03 美元，價效比極高。

本地部署也非常省心，由於直接支援 Ollama、vLLM 和 SGLang 等主流推理後端，普通開發機甚至個人電腦就能直接跑，延遲很低。

為什麼重要

如果你正在搭建本地知識庫、RAG 系統，或者需要批次處理合同與發票，GLM-OCR 非常值得馬上換上試一試。過去為了保證高精度的文件切分，開發者往往需要呼叫昂貴的商業閉源視覺大模型，或者拼湊一堆脆弱的傳統 OCR 加規則管線；GLM-OCR 用 0.9B 的極小體量兼顧了高精度與超低部署門檻，可以說是當前端側和私有化文件解析極具競爭力的工具。

對行業來說，它證明了端側小模型在垂直任務上完全有能力硬碰通用巨無霸。MIT 協議徹底放開了商用限制，預計很快會成為各大開源 RAG 框架和本地文件助手標配的解析後端。