智譜（zai-org）在 Hugging Face 上線了多模態 OCR 模型 GLM-OCR，定位為面向複雜文件理解的光學字元識別模型，模型卡標註引數量為 1B 級別、採用 MIT 許可，並同步提供技術報告、SDK 與 API 入口。
從架構看，GLM-OCR 建立在 GLM-V 編碼器—解碼器框架之上，訓練環節引入 多 Token 預測（MTP）損失與穩定的全任務強化學習，官方稱其目標是同時提升訓練效率、識別準確率與泛化能力。模型內部由三部分組成：在大規模圖文資料上預訓練的 CogViT 視覺編碼器、帶高效 token 下采樣的輕量跨模態聯結器，以及 GLM-0.5B 語言解碼器。在文件解析流程上，它採用基於 PP-DocLayout-V3 的兩階段流水線——先做版面分析、再並行識別，以適配多樣化的文件版式。
效能方面，模型卡給出的核心數字是：在 OmniDocBench V1.5 上取得 94.62 分、總榜排名第一，並在公式識別、表格識別、資訊抽取等主要文件理解基準上達到領先水平。官方強調該模型針對真實業務場景做了最佳化，在複雜表格、程式碼密集文件、印章等難度較高的版式上保持穩健表現。
效率是這條釋出裡另一個值得關注的維度。GLM-OCR 的推理引數量為 0.9B，支援通過 vLLM、SGLang、Ollama 部署，官方稱可顯著降低推理延遲與算力成本，適合高併發服務與邊緣部署。在單副本、單併發的相同硬體與測試條件下，官方對比了不同 OCR 方法的解析與 Markdown 匯出速度，結果顯示 GLM-OCR 對 PDF 文件的吞吐為 1.86 頁/秒、對圖片為 0.67 張/秒，明顯優於同類模型。
使用方式上，官方對文件解析任務推薦使用其 SDK：相比純模型推理，SDK 集成了 PP-DocLayoutV3，提供從版面分析到結構化輸出的完整流水線，可減少搭建端到端文件智慧系統的工程開銷；不過 SDK 目前僅面向文件解析，資訊抽取任務需直接呼叫模型。模型當前支援兩類提示場景：文件解析（文本識別、公式識別、表格識別）與資訊抽取，後者要求輸出嚴格遵循給定的 JSON schema，以保證下游處理相容。
許可與生態方面，GLM-OCR 模型本體以 MIT 許可釋出，而完整 OCR 流水線整合的 PP-DocLayoutV3 採用 Apache 2.0 許可，使用者需同時遵守兩項許可。專案致謝中列出了 PP-DocLayout-V3、PaddleOCR、MinerU 等開源工作。
把這條釋出放到產業視角看，文件理解長期是 OCR 落地最分散、也最依賴工程拼裝的環節：版面分析、表格還原、公式識別往往由不同模型或規則模組拼接，部署成本高。GLM-OCR 的思路是把視覺編碼、跨模態對齊與語言解碼壓縮排不到 1B 引數的模型，再用開源 SDK 把版面分析與結構化輸出打包，等於把「模型能力」和「工程流水線」一起交付。對關注 AI 產業的讀者而言，這類小引數、高吞吐、可本地部署的模型，影響的不只是 OCR 工具鏈本身，也會牽動文件密集型行業（金融、法律、政務、醫療等）的自動化改造節奏，以及邊緣與高併發場景下對算力配置的選擇。
需要說明的是，上述基準得分與吞吐數字均來自官方模型卡與技術報告，屬於釋出方自述口徑，實際表現仍取決於具體文件型別、硬體環境與提示設計。