Repolode
提交项目
zai-org

zai-org/GLM-OCR

一个 0.9B 参数的多模态 OCR 模型与 SDK，用于从复杂文档中提取文字、表格、公式和版面结构。

可替代:Adobe Acrobat

在 GitHub 查看
Star
7,580
Fork
676
未关闭 Issue
67
最近提交
24天前

这是什么？

GLM-OCR 是一个面向复杂文档理解的 OCR 模型，基于 GLM-V 编码器-解码器架构，由 CogViT 视觉编码器和 GLM-0.5B 语言解码器组成。它采用两阶段流程：先用 PP-DocLayout-V3 做版面分析，再并行识别各个区域，因此能处理多栏排版、复杂表格、公式、代码密集型文档和印章等场景。

项目以 Python SDK 形式发布（可通过 pip 安装 glmocr），提供命令行工具、Python API 以及可选的 Flask 服务。既可以调用智谱 MaaS 云端 API，无需 GPU，也可以使用 vLLM、SGLang、Ollama，或在 Apple Silicon 上通过 mlx-vlm 自行部署。输出结果为 Markdown 和带版面信息的 JSON。

模型权重已发布在 Hugging Face 和 ModelScope，项目还提供基于 LLaMA-Factory 的微调指南。

核心功能

  • 01识别复杂版面中的文字、表格、公式和代码。
  • 02先进行版面检测，再并行识别各区域。
  • 03支持智谱 MaaS 云端 API，也支持通过 vLLM、SGLang、Ollama 和 mlx-vlm 自行部署。
  • 04提供命令行工具、Python API 和 Flask 服务，输出 Markdown 与 JSON。
  • 05版面检测可指定在 CPU 或特定 GPU 上运行，为 OCR 模型留出显存。
  • 06附带基于 LLaMA-Factory 的微调指南。

适用场景

  • 将扫描 PDF 和拍照文档转换为 Markdown 或结构化 JSON。
  • 从技术报告或论文中提取表格和公式。
  • 在自建 GPU 服务器上搭建文档处理流水线。
  • 借助 Ollama 或 mlx-vlm 在笔记本上运行 OCR，无需云服务。

收录于专题

PDF、OCR 与文档处理工具

标签

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

常见问题

GLM-OCR 是什么？
一个 0.9B 参数的多模态 OCR 模型与 SDK，用于从复杂文档中提取文字、表格、公式和版面结构。 GLM-OCR 是一个面向复杂文档理解的 OCR 模型，基于 GLM-V 编码器-解码器架构，由 CogViT 视觉编码器和 GLM-0.5B 语言解码器组成。它采用两阶段流程：先用 PP-DocLayout-V3 做版面分析，再并行识别各个区域，因此能处理多栏排版、复杂表格、公式、代码密集型文档和印章等场景。
GLM-OCR 可以免费使用吗？用的什么许可证？
GLM-OCR 以 Apache-2.0 许可证开源。用于商业产品前，请先确认许可证条款。
GLM-OCR 还在维护吗？
活跃维护中。GLM-OCR 最近一次提交是在 2026年10月14日。
GLM-OCR 适合用来做什么？
将扫描 PDF 和拍照文档转换为 Markdown 或结构化 JSON。 从技术报告或论文中提取表格和公式。 在自建 GPU 服务器上搭建文档处理流水线。 借助 Ollama 或 mlx-vlm 在笔记本上运行 OCR，无需云服务。
在哪里获取 GLM-OCR？
源代码和安装说明在 GitHub 上：https://github.com/zai-org/GLM-OCR

概要由 AI 根据项目 README 生成；GitHub 数据每日更新。

相关项目