Repolode
Enviar
zai-org

zai-org/GLM-OCR

Modelo OCR multimodal de 0,9B de parámetros y SDK para extraer texto, tablas, fórmulas y estructura de documentos complejos.

Alternativa open source a:Adobe Acrobat

Ver en GitHub
Estrellas
7,580
Forks
676
Issues abiertos
67
Último commit
hace 25 días

¿Qué es?

GLM-OCR es un modelo OCR para comprender documentos complejos, basado en la arquitectura encoder-decoder GLM-V, con un encoder visual CogViT y un decoder de lenguaje GLM-0.5B. Se complementa con un pipeline de dos etapas: primero analiza la estructura con PP-DocLayout-V3 y luego reconoce las regiones en paralelo. Así puede procesar páginas con varias columnas, tablas complejas, fórmulas, documentos con mucho código y sellos.

El proyecto se distribuye como SDK de Python (instalable con pip como glmocr), con una CLI, una API de Python y un servicio opcional de Flask. Puede ejecutarse mediante la API alojada Zhipu MaaS, sin GPU, o autoalojarse con vLLM, SGLang, Ollama o mlx-vlm en Apple Silicon. La salida se ofrece en Markdown y con detalles de estructura en JSON.

Los pesos del modelo están disponibles en Hugging Face y ModelScope, e incluye una guía para ajustarlo con LLaMA-Factory.

Funciones clave

  • 01Reconoce texto, tablas, fórmulas y código en documentos con estructuras complejas.
  • 02Detecta primero la estructura y después reconoce las regiones en paralelo.
  • 03Se despliega mediante la API alojada Zhipu MaaS o con vLLM, SGLang, Ollama y mlx-vlm autoalojados.
  • 04Ofrece una CLI, una API de Python y un servidor Flask, con salida en Markdown y JSON.
  • 05Admite la detección de estructura en CPU o en una GPU elegida, para liberar recursos para el modelo OCR.
  • 06Incluye una guía para ajustar el modelo con LLaMA-Factory.

Casos de uso

  • Convertir PDFs escaneados y documentos fotografiados a Markdown o JSON estructurado.
  • Extraer tablas y fórmulas de informes técnicos o artículos.
  • Crear pipelines de procesamiento de documentos que se ejecuten en un servidor GPU autoalojado.
  • Ejecutar OCR en una laptop con Ollama o mlx-vlm, sin usar un servicio en la nube.

En colecciones

Herramientas de PDF, OCR y documentos

Temas

#ocr#document-understanding#multimodal#vision-language-model#pdf#vllm#document-parsing#glm#image2text

Preguntas frecuentes

¿Qué es GLM-OCR?
Modelo OCR multimodal de 0,9B de parámetros y SDK para extraer texto, tablas, fórmulas y estructura de documentos complejos. GLM-OCR es un modelo OCR para comprender documentos complejos, basado en la arquitectura encoder-decoder GLM-V, con un encoder visual CogViT y un decoder de lenguaje GLM-0.5B. Se complementa con un pipeline de dos etapas: primero analiza la estructura con PP-DocLayout-V3 y luego reconoce las regiones en paralelo. Así puede procesar páginas con varias columnas, tablas complejas, fórmulas, documentos con mucho código y sellos.
¿GLM-OCR es gratuito? ¿Qué licencia tiene?
GLM-OCR es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
¿GLM-OCR sigue mantenido?
Mantenimiento activo. El último commit de GLM-OCR fue el 14 oct 2026.
¿Para qué puedo usar GLM-OCR?
Convertir PDFs escaneados y documentos fotografiados a Markdown o JSON estructurado. Extraer tablas y fórmulas de informes técnicos o artículos. Crear pipelines de procesamiento de documentos que se ejecuten en un servidor GPU autoalojado. Ejecutar OCR en una laptop con Ollama o mlx-vlm, sin usar un servicio en la nube.
¿Dónde consigo GLM-OCR?
El código fuente y las instrucciones de instalación están en GitHub: https://github.com/zai-org/GLM-OCR

Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.

Proyectos relacionados