GLM-OCR

GLM-OCR

读取文档图像中的文字、公式和表格，并从中提取结构化信息，支持八种语言。这是 zai-org 的小型 OCR 模型，面向开发者和文档处理流水线。

由 zai-org 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：GLM-OCR 是 zai-org 的 OCR 模型，用来读取复杂文档。它能识别文字、公式和表格，当你给它 JSON 形式的提示词时，还能提取身份证件信息之类的结构化信息。卡片描述了一个两阶段设计，先做版面分析，再并行识别。

适合谁：构建文档阅读服务、需要一个能处理表格和公式的小型开放 OCR 模型的开发者。

Industry | Who uses it | How they use it | Example
商业运营 | 后台团队 | 读取表单、表格和印章 | 一张扫描发票被读成文字
软件开发 | 流水线开发者 | 给文档服务加上 OCR | 一个把页面图像转成 Markdown 的服务
研究与教育 | 学生和研究者 | 读取论文里的公式和表格 | 扫描页上的一个公式
公共服务 | 档案团队 | 从证件里提取信息 | 从证件扫描件里提取字段

如果你只读本来就是文字的文档，可以跳过它。

用在哪里：

• 在 Windows、macOS 或 Linux 上，用 Python 和 transformers 库
• 用 vLLM、SGLang 或 Ollama 运行的本地服务器，卡片说它支持这些
• 开发方的官方 SDK（用于文档解析）及其托管 API

Use case | Who | What they get back
文档解析 | 开发者 | 页面上的原始文字、公式和表格
信息提取 | 业务团队 | 按你定义的 JSON 形式给出的结构化字段
高并发服务 | 平台团队 | 在小型硬件上快速逐页读取

如何设置：

• Python 和 pip
• BF16 约需 2.7 GB 磁盘空间，4-bit 约 663 MB（估算值）
• 可选：官方 SDK，卡片推荐用它做文档解析

1. 安装 Hugging Face hub 工具。
2. 下载模型文件。
3. 按模型卡片，用 transformers、vLLM 或 SGLang 运行模型。

pip install -U huggingface_hub
hf download zai-org/GLM-OCR

如何使用：做文档解析时，卡片推荐用官方 SDK，它加入了版面分析和结构化输出。做信息提取时，则直接运行模型，并使用遵循严格 JSON 模式的提示词。解析方面，卡片列出了三种提示词。

{
    "text": "Text Recognition:",
    "formula": "Formula Recognition:",
    "table": "Table Recognition:"
}

Tool | What it does
文字识别提示词 | 从文档页面提取原始文字
公式识别提示词 | 从文档页面提取公式
表格识别提示词 | 从文档页面提取表格
官方 SDK | 通过版面分析和结构化输出来解析文档

示例：你把一张页面图像连同表格提示词交给模型。它把页面里的表格内容以文字形式返回。对于证件，你发送一个 JSON 形式的提示词，就能得到所要的个人信息，格式是结构化数据。

新手与专家：如果你刚接触 OCR，先在一页扫描件上试试官方 SDK，再自己部署模型。用眼睛把输出和页面对一遍。

这个模型把 CogViT 视觉编码器、一个小型跨模态连接器和一个 GLM-0.5B 语言解码器组合在一起。卡片写的是 0.9B 参数，而 Hugging Face 的记录列出 1.3B。训练用了多 token 预测损失和强化学习。卡片报告它在 OmniDocBench V1.5 上得分 94.62。

输入一张页面图像
版面分析找出各个区域
模型并行读取每个区域
输出文字、公式或表格

注意事项：

• 提示词：只支持两种提示词场景，即解析和信息提取
• SDK：它只为文档解析而设计，所以信息提取要直接运行模型
• 基准测试：这些数字是开发方自己的

Title: 开发方自己的速度测试中的读取速度
PDF input: 1.86 pages/second
Image input: 0.67 images/second

• License: mit
• Cost to run: 本地模型不需要密钥，托管 API 只提了名字，没有价格
• Data it reaches: 本地模型读取你给它的文件，而托管 API 会收到你的文档
• Not for: 自由聊天，因为只支持那两种提示词场景

Hugging Face 上的数据（2026年11月13日）

• 任务：image to text
• 框架：transformers
• 参数量：1.3B
• Weights: about 2.7 GB in BF16; about 663 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：1,793,299
• 点赞：2,215
• 许可证：mit
• 语言：zh, en, fr, es, ru, de, ja, ko
• Quantized versions: 41
• Fine-tunes: 38
• 标签：transformers, safetensors, glm_ocr, image-text-to-text, conversational, image-to-text

链接

• 模型：https://huggingface.co/zai-org/GLM-OCR
• 文件：https://huggingface.co/zai-org/GLM-OCR/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download zai-org/GLM-OCR

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。