智谱 GLM-OCR 模型页更新：0.9B 参数在 OmniDocBench V1.5 登顶

智谱旗下的开源组织 zai-org 在 Hugging Face 上的 GLM-OCR 模型页于9月11日更新，模型卡给出了完整的架构说明、评测数字与部署方式。这是一款面向复杂文档理解的多模态 OCR 模型，页面标签显示其任务类型为图文转文本（image-text-to-text），库依赖为 transformers，支持中文、英文、法文、西班牙文、俄文、德文、日文和韩文八种语言，模型本体采用 MIT 许可。

架构上，GLM-OCR 建立在 GLM-V 编码器—解码器之上。它集成了在大规模图文数据上预训练的 CogViT 视觉编码器、一个带高效 token 下采样的轻量跨模态连接器，以及 GLM-0.5B 语言解码器；训练侧引入多 token 预测（MTP）损失与稳定的全任务强化学习，官方称这套组合提升了训练效率、识别准确率和泛化能力。

性能是这次更新最受关注的部分。模型卡显示，GLM-OCR 在 OmniDocBench V1.5 上取得 94.62 分、位列第一，并在公式识别、表格识别与信息抽取等主要文档理解基准上达到同类最佳水平。官方同时强调它对真实业务场景的适配，称其在复杂表格、代码密集文档、印章等棘手版面上依然保持稳定表现。

工程实现上，GLM-OCR 走的是两阶段流水线：先由 PP-DocLayout-V3 做版面分析，再进行并行识别。智谱为此提供官方 SDK，把版面分析与结构化输出封装成一条相对完整的链路，托管 API 则挂在 docs.z.ai 上。模型目前支持两类提示场景——文档解析（文字、公式、表格识别）与信息抽取，后者要求输出严格遵循给定的 JSON schema，以保证下游处理可用。

效率与部署成本是它的另一个卖点。GLM-OCR 只有 0.9B 参数，官方称可显著降低推理时延与算力开销，适合高并发服务与边缘部署，并给出了 vLLM、SGLang、Ollama 与 Transformers 四条部署路径。在单副本、单并发的统一测试条件下，它解析 PDF 的吞吐为每秒 1.86 页，处理图片为每秒 0.67 张。模型本体以 MIT 许可开放，流水线中用到的 PP-DocLayout-V3 则遵循 Apache 2.0 许可。

从采用情况看，这个模型页已经积累了相当规模的社区使用：下载量约 189 万次，点赞数为 2026。对于文档智能这类落地密集的赛道，小参数加高精度的组合意味着企业可以把 OCR 能力放进自有集群甚至边缘设备，而不必为通用大模型付出高昂的推理成本，这让它在票据、合同、报表、证件等场景中更具可操作性。

后续值得关注的有两点。其一，模型卡引用了编号 2603.10910 的技术报告，方法细节与消融实验仍要回到论文中核对；其二，官方 SDK 目前只覆盖文档解析任务，信息抽取仍需直接调用模型并按 schema 约束输出，这套工具链能否进一步收拢，将决定它在真实生产管线里的上手成本。