Открытая vision-language OCR-модель Baidu, которая за один проход преобразует длинные многостраничные документы и PDF в структурированный текст.
30,7 тыс.+801 за неделю3,3 тыс.PythonMITОбновлён 5 дней назад
zai-org/GLM-OCR
Мультимодальная OCR-модель с 0,9 млрд параметров и SDK для извлечения текста, таблиц, формул и структуры из сложных документов.
Open source альтернатива:Adobe Acrobat
- Звёзды
- 7,580
- Форки
- 676
- Открытые issues
- 67
- Последний коммит
- 24 дня назад
Что это?
GLM-OCR — OCR-модель для обработки сложных документов. Она построена на архитектуре encoder-decoder GLM-V и включает визуальный энкодер CogViT и языковой декодер GLM-0.5B. Модель работает в двухэтапном конвейере: сначала анализирует структуру документа с помощью PP-DocLayout-V3, затем распознаёт области параллельно. Благодаря этому она справляется со страницами в несколько колонок, сложными таблицами, формулами, документами с большим количеством кода и печатями.
Проект поставляется как Python SDK (устанавливается через pip под именем glmocr) с CLI, Python API и опциональным сервисом Flask. Его можно запускать через облачный API Zhipu MaaS без GPU или развернуть самостоятельно с помощью vLLM, SGLang, Ollama либо mlx-vlm на Apple Silicon. Результат предоставляется в формате Markdown и в виде данных о структуре документа в JSON.
Веса модели опубликованы на Hugging Face и ModelScope; также доступно руководство по дообучению с LLaMA-Factory.
Ключевые возможности
- 01Распознаёт текст, таблицы, формулы и код в документах со сложной структурой.
- 02Сначала определяет структуру документа, а затем распознаёт области параллельно.
- 03Позволяет развернуть модель через облачный API Zhipu MaaS или самостоятельно с помощью vLLM, SGLang, Ollama и mlx-vlm.
- 04Предоставляет CLI, Python API и сервер Flask с выводом в Markdown и JSON.
- 05Поддерживает определение структуры документа на CPU или выбранном GPU, освобождая ресурсы для OCR-модели.
- 06Включает руководство по дообучению с LLaMA-Factory.
Сценарии использования
- Преобразование отсканированных PDF и фотографий документов в Markdown или структурированный JSON.
- Извлечение таблиц и формул из технических отчётов и научных статей.
- Создание конвейеров обработки документов, работающих на собственном GPU-сервере.
- Распознавание текста на ноутбуке с помощью Ollama или mlx-vlm без облачного сервиса.
В подборках
Темы
#ocr#document-understanding#multimodal#vision-language-model#pdf#vllm#document-parsing#glm#image2text
Частые вопросы
- Что такое GLM-OCR?
- Мультимодальная OCR-модель с 0,9 млрд параметров и SDK для извлечения текста, таблиц, формул и структуры из сложных документов. GLM-OCR — OCR-модель для обработки сложных документов. Она построена на архитектуре encoder-decoder GLM-V и включает визуальный энкодер CogViT и языковой декодер GLM-0.5B. Модель работает в двухэтапном конвейере: сначала анализирует структуру документа с помощью PP-DocLayout-V3, затем распознаёт области параллельно. Благодаря этому она справляется со страницами в несколько колонок, сложными таблицами, формулами, документами с большим количеством кода и печатями.
- GLM-OCR можно использовать бесплатно? Какая у него лицензия?
- GLM-OCR распространяется с открытым исходным кодом под лицензией Apache-2.0. Перед использованием в коммерческих продуктах проверьте условия лицензии.
- GLM-OCR всё ещё поддерживается?
- Активно поддерживается. Последний коммит в GLM-OCR — 14 окт. 2026 г..
- Для чего можно использовать GLM-OCR?
- Преобразование отсканированных PDF и фотографий документов в Markdown или структурированный JSON. Извлечение таблиц и формул из технических отчётов и научных статей. Создание конвейеров обработки документов, работающих на собственном GPU-сервере. Распознавание текста на ноутбуке с помощью Ollama или mlx-vlm без облачного сервиса.
- Где скачать GLM-OCR?
- Исходный код и инструкции по установке — на GitHub: https://github.com/zai-org/GLM-OCR
Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.
Похожие проекты
MiniCPM-OCR — семейство моделей с открытым исходным кодом для разбора документов и дополнительная модель для оценки точности результатов OCR.
838+196 за неделю60TypeScriptApache-2.0Активно поддерживаетсяОбновлён 18 часов назад
Универсальная vision-language-модель на 0,8 млрд параметров для разбора документов, извлечения ключевой информации и OCR-вопросов по изображениям.
956+743 за неделю57PythonApache-2.0Обновлён 9 дней назад
API для обработки документов на собственном сервере: превращает PDF, файлы Office и изображения в готовые для LLM фрагменты с анализом структуры и OCR.
4,2 тыс.+5 за неделю278RustAGPL-3.0Обновлён 2 месяца назад
Набор инструментов с открытым исходным кодом для OCR и обработки документов: преобразует PDF и изображения в структурированный Markdown или JSON для конвейеров LLM и RAG.
92,4 тыс.+372 за неделю11,6 тыс.PythonApache-2.0Обновлён 2 месяца назад
Мультимодальная модель с открытыми весами и 9 млрд параметров для визуального понимания, пространственных рассуждений, использования инструментов и исследований embodied AI, построенная на Qwen3.5 и C-RADIOv4-H.
3,1 тыс.517PythonApache-2.0Обновлён 2 месяца назад