Modelo open source de OCR com visão e linguagem da Baidu, que processa documentos longos e PDFs com várias páginas e os converte em texto estruturado em uma única passada.
30,8 mil+746 esta semana3,3 milPythonMITAtualizado há 6 dias
zai-org/GLM-OCR
Modelo multimodal de OCR com 0,9 bilhão de parâmetros e SDK para extrair texto, tabelas, fórmulas e estrutura de documentos complexos.
Alternativa open source a:Adobe Acrobat
- Estrelas
- 7,582
- Forks
- 677
- Issues abertas
- 67
- Último commit
- há 25 dias
O que é?
O GLM-OCR é um modelo de OCR para compreensão de documentos complexos, baseado na arquitetura encoder-decoder GLM-V, com um encoder visual CogViT e um decoder de linguagem GLM-0.5B. Ele vem acompanhado de um pipeline em duas etapas: primeiro, analisa o layout usando PP-DocLayout-V3; em seguida, reconhece as regiões em paralelo. Assim, consegue lidar com páginas em múltiplas colunas, tabelas complexas, fórmulas, documentos com muito código e selos.
O projeto é distribuído como um SDK Python (instalável via pip como glmocr), com CLI, API Python e um serviço Flask opcional. Ele pode ser executado pela API hospedada Zhipu MaaS, sem GPU, ou hospedado por você com vLLM, SGLang, Ollama ou mlx-vlm em Apple Silicon. A saída é fornecida em Markdown e com detalhes do layout em JSON.
Os pesos do modelo estão disponíveis no Hugging Face e no ModelScope, e o projeto inclui um guia de fine-tuning com LLaMA-Factory.
Recursos principais
- 01Reconhece texto, tabelas, fórmulas e código em layouts complexos de documentos.
- 02Detecta o layout primeiro e, em seguida, reconhece as regiões em paralelo.
- 03Pode ser implantado pela API hospedada Zhipu MaaS ou com vLLM, SGLang, Ollama e mlx-vlm hospedados por você.
- 04Oferece CLI, API Python e servidor Flask, com saída em Markdown e JSON.
- 05Permite detectar o layout usando CPU ou uma GPU escolhida, liberando recursos para o modelo de OCR.
- 06Inclui um guia de fine-tuning com LLaMA-Factory.
Casos de uso
- Converter PDFs digitalizados e documentos fotografados em Markdown ou JSON estruturado.
- Extrair tabelas e fórmulas de relatórios técnicos ou artigos.
- Criar pipelines de processamento de documentos executados em um servidor GPU hospedado por você.
- Executar OCR em um laptop com Ollama ou mlx-vlm, sem usar um serviço em nuvem.
Em coleções
Tópicos
#ocr#document-understanding#multimodal#vision-language-model#pdf#vllm#document-parsing#glm#image2text
Perguntas frequentes
- O que é GLM-OCR?
- Modelo multimodal de OCR com 0,9 bilhão de parâmetros e SDK para extrair texto, tabelas, fórmulas e estrutura de documentos complexos. O GLM-OCR é um modelo de OCR para compreensão de documentos complexos, baseado na arquitetura encoder-decoder GLM-V, com um encoder visual CogViT e um decoder de linguagem GLM-0.5B. Ele vem acompanhado de um pipeline em duas etapas: primeiro, analisa o layout usando PP-DocLayout-V3; em seguida, reconhece as regiões em paralelo. Assim, consegue lidar com páginas em múltiplas colunas, tabelas complexas, fórmulas, documentos com muito código e selos.
- GLM-OCR é gratuito? Qual é a licença?
- GLM-OCR é open source sob a licença Apache-2.0. Confira os termos da licença antes de usá-lo em produtos comerciais.
- GLM-OCR ainda é mantido?
- Manutenção ativa. O último commit de GLM-OCR foi em 14 de out. de 2026.
- Para que posso usar GLM-OCR?
- Converter PDFs digitalizados e documentos fotografados em Markdown ou JSON estruturado. Extrair tabelas e fórmulas de relatórios técnicos ou artigos. Criar pipelines de processamento de documentos executados em um servidor GPU hospedado por você. Executar OCR em um laptop com Ollama ou mlx-vlm, sem usar um serviço em nuvem.
- Onde consigo GLM-OCR?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/zai-org/GLM-OCR
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
MiniCPM-OCR é uma família de modelos open source para interpretar documentos, acompanhada de um modelo que avalia se os resultados de OCR estão corretos.
846+129 esta semana62TypeScriptApache-2.0Bem mantidoAtualizado anteontem
Modelo unificado de visão e linguagem de 0,8B para analisar documentos, extrair informações importantes e responder a perguntas visuais com foco em OCR.
979+615 esta semana60PythonApache-2.0Atualizado há 10 dias
API de inteligência documental auto-hospedada que transforma PDFs, arquivos do Office e imagens em chunks prontos para LLM, com análise de layout e OCR.
4,2 mil+5 esta semana278RustAGPL-3.0Atualizado há 2 meses
Toolkit open source de OCR e IA para documentos que converte PDFs e imagens em Markdown ou JSON estruturado para pipelines de LLM e RAG.
92,4 mil+363 esta semana11,6 milPythonApache-2.0Atualizado há 2 meses
Um modelo multimodal de pesos abertos com 9 bilhões de parâmetros para compreensão visual, raciocínio espacial, uso de ferramentas por agentes e pesquisa em IA incorporada, baseado em Qwen3.5 e C-RADIOv4-H.
3,1 mil517PythonApache-2.0Atualizado há 2 meses