智谱推出0.9B轻量GLM-OCR：性能夺冠，千次处理只需0.1元

 智谱今日宣布上线并开源专业级 OCR 模型 GLM-OCR。这款模型仅有 0.9B 体量，却实现跨越式性能提升，在多项权威评测中名列前茅，专注解决复杂文档解析的真实业务难题。

核心能力:小体量也能跑出 SOTA

虽然参数规模只有 0.9B，GLM-OCR 的表现依旧亮眼。在权威文档解析榜单 OmniDocBench V1.5 上，以 94.6分摘得第一，实力接近通用大模型 Gemini-3-Pro。无论是文本识别、数学公式理解、复杂表格解析，还是关键信息抽取（KIE），都拿到 SOTA（业内最顶尖）成绩。

场景突破:聚焦复杂文档难点

GLM-OCR 围绕六大高难业务场景做了专项优化，表现稳定可靠:

• 复杂表格: 支持合并单元格与多级表头，可直接生成标准 HTML。

• 结构化提取: 智能识别各类卡证票据，输出符合规范的 JSON。

• 手写体与代码: 适配教育科研中的手写公式，以及程序员的代码截图。

• 特殊标识: 对印章识别和多语混排有极高鲁棒性。

极致效率:更快推理，更低成本

在性能与费用控制方面，GLM-OCR 具备强竞争力:

• 高速推理: PDF 处理吞吐可达 1.86页/秒，明显领先同类；兼容 vLLM、Ollama 等主流部署。

• 极致性价比: API 定价低至 0.2元/百万 Tokens。相较传统 OCR，成本仅为其十分之一，处理一千张 A4 扫描件约需 0.5 元。

技术解析:多模态架构结合强化学习

GLM-OCR 采用 GLM-V 系列多模态架构，集成自研 CogViT 视觉编码器。通过引入**多 Tokens 预测损失（MTP）**与全任务强化学习，模型在复杂版面下的泛化能力显著增强。其独特的 4 倍下采样策略与 SwiGLU 机制，让视觉信息与语言解码器高效协同。

目前，GLM-OCR 已在GitHub和Hugging Face同步开源，智谱开放平台也已上线相关 API 与优惠套餐。