智谱（zai-org）在 Hugging Face 上线了多模态 OCR 模型 GLM-OCR，定位为面向复杂文档理解的光学字符识别模型，模型卡标注参数量为 1B 级别、采用 MIT 许可，并同步提供技术报告、SDK 与 API 入口。
从架构看，GLM-OCR 建立在 GLM-V 编码器—解码器框架之上，训练环节引入 多 Token 预测（MTP）损失与稳定的全任务强化学习，官方称其目标是同时提升训练效率、识别准确率与泛化能力。模型内部由三部分组成：在大规模图文数据上预训练的 CogViT 视觉编码器、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。在文档解析流程上，它采用基于 PP-DocLayout-V3 的两阶段流水线——先做版面分析、再并行识别，以适配多样化的文档版式。
性能方面，模型卡给出的核心数字是：在 OmniDocBench V1.5 上取得 94.62 分、总榜排名第一，并在公式识别、表格识别、信息抽取等主要文档理解基准上达到领先水平。官方强调该模型针对真实业务场景做了优化，在复杂表格、代码密集文档、印章等难度较高的版式上保持稳健表现。
效率是这条发布里另一个值得关注的维度。GLM-OCR 的推理参数量为 0.9B，支持通过 vLLM、SGLang、Ollama 部署，官方称可显著降低推理延迟与算力成本，适合高并发服务与边缘部署。在单副本、单并发的相同硬件与测试条件下，官方对比了不同 OCR 方法的解析与 Markdown 导出速度，结果显示 GLM-OCR 对 PDF 文档的吞吐为 1.86 页/秒、对图片为 0.67 张/秒，明显优于同类模型。
使用方式上，官方对文档解析任务推荐使用其 SDK：相比纯模型推理，SDK 集成了 PP-DocLayoutV3，提供从版面分析到结构化输出的完整流水线，可减少搭建端到端文档智能系统的工程开销；不过 SDK 目前仅面向文档解析，信息抽取任务需直接调用模型。模型当前支持两类提示场景：文档解析（文本识别、公式识别、表格识别）与信息抽取，后者要求输出严格遵循给定的 JSON schema，以保证下游处理兼容。
许可与生态方面，GLM-OCR 模型本体以 MIT 许可发布，而完整 OCR 流水线集成的 PP-DocLayoutV3 采用 Apache 2.0 许可，使用者需同时遵守两项许可。项目致谢中列出了 PP-DocLayout-V3、PaddleOCR、MinerU 等开源工作。
把这条发布放到产业视角看，文档理解长期是 OCR 落地最分散、也最依赖工程拼装的环节：版面分析、表格还原、公式识别往往由不同模型或规则模块拼接，部署成本高。GLM-OCR 的思路是把视觉编码、跨模态对齐与语言解码压缩进不到 1B 参数的模型，再用开源 SDK 把版面分析与结构化输出打包，等于把「模型能力」和「工程流水线」一起交付。对关注 AI 产业的读者而言，这类小参数、高吞吐、可本地部署的模型，影响的不只是 OCR 工具链本身，也会牵动文档密集型行业（金融、法律、政务、医疗等）的自动化改造节奏，以及边缘与高并发场景下对算力配置的选择。
需要说明的是，上述基准得分与吞吐数字均来自官方模型卡与技术报告，属于发布方自述口径，实际表现仍取决于具体文档类型、硬件环境与提示设计。