Repolode
投稿する
zai-org

zai-org/GLM-OCR

複雑な文書からテキスト、表、数式、レイアウトを抽出する、0.9BパラメータのマルチモーダルOCRモデルとSDK。

代替できる製品:Adobe Acrobat

GitHub で見る
スター
7,580
フォーク
676
未解決の Issue
67
最終コミット
24 日前

これは何？

GLM-OCRは、複雑な文書の理解に対応するOCRモデルです。CogViTビジュアルエンコーダーとGLM-0.5B言語デコーダーを備えたGLM-Vのエンコーダー・デコーダーアーキテクチャを基盤としています。PP-DocLayout-V3でレイアウトを分析してから、領域ごとに並列で認識する2段階のパイプラインと組み合わせることで、複数段組のページ、複雑な表、数式、コードの多い文書、印影にも対応します。

このプロジェクトは、CLI、Python API、オプションのFlaskサービスを備えたPython SDK（pipでglmocrとしてインストール可能）として提供されています。GPUなしでホスト型のZhipu MaaS APIを利用できるほか、vLLM、SGLang、Ollama、またはApple Silicon上のmlx-vlmを使ってセルフホストすることもできます。出力はMarkdownと、レイアウトの詳細を含むJSONで提供されます。

モデルの重みはHugging FaceとModelScopeで公開されており、LLaMA-Factoryによるファインチューニングガイドも含まれています。

主な機能

  • 01複雑な文書レイアウトからテキスト、表、数式、コードを認識します。
  • 02先にレイアウトを検出し、その後、各領域を並列で認識します。
  • 03ホスト型のZhipu MaaS API、またはセルフホスト型のvLLM、SGLang、Ollama、mlx-vlmでデプロイできます。
  • 04CLI、Python API、Flaskサーバーを備え、MarkdownとJSONで出力します。
  • 05OCRモデルのリソースを確保できるよう、CPUまたは任意のGPUでレイアウト検出を実行できます。
  • 06LLaMA-Factoryによるファインチューニングガイドが含まれています。

ユースケース

  • スキャンしたPDFや撮影した文書をMarkdownまたは構造化JSONに変換する。
  • 技術レポートや論文から表や数式を抽出する。
  • セルフホスト型GPUサーバーで動作する文書処理パイプラインを構築する。
  • クラウドサービスを使わず、Ollamaまたはmlx-vlmでノートPC上のOCRを実行する。

収録されている特集

PDF・OCR・ドキュメント処理ツール

トピック

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

よくある質問

GLM-OCR とは？
複雑な文書からテキスト、表、数式、レイアウトを抽出する、0.9BパラメータのマルチモーダルOCRモデルとSDK。 GLM-OCRは、複雑な文書の理解に対応するOCRモデルです。CogViTビジュアルエンコーダーとGLM-0.5B言語デコーダーを備えたGLM-Vのエンコーダー・デコーダーアーキテクチャを基盤としています。PP-DocLayout-V3でレイアウトを分析してから、領域ごとに並列で認識する2段階のパイプラインと組み合わせることで、複数段組のページ、複雑な表、数式、コードの多い文書、印影にも対応します。
GLM-OCR は無料で使えますか？ライセンスは？
GLM-OCR は Apache-2.0 ライセンスのオープンソースです。商用製品で使う前にライセンス条件を確認してください。
GLM-OCR は今もメンテナンスされていますか？
活発にメンテナンス中。GLM-OCR の最終コミットは 2026年10月14日 です。
GLM-OCR は何に使えますか？
スキャンしたPDFや撮影した文書をMarkdownまたは構造化JSONに変換する。 技術レポートや論文から表や数式を抽出する。 セルフホスト型GPUサーバーで動作する文書処理パイプラインを構築する。 クラウドサービスを使わず、Ollamaまたはmlx-vlmでノートPC上のOCRを実行する。
GLM-OCR はどこで入手できますか？
ソースコードとインストール手順は GitHub にあります：https://github.com/zai-org/GLM-OCR

概要はプロジェクトの README をもとに AI が生成しています。GitHub の数値は毎日更新されます。

関連プロジェクト