智谱AI GLM-OCR收费吗？多少钱？

智谱AI的GLM-OCR目前**不单独收费**，它已经作为免费能力集成在智谱AI开放平台（bigmodel.cn）的GLM-4.5V视觉语言模型中，你只需要按模型本身的API调用量付费（且当前有免费额度），不存在“OCR单独按张收费”的计费项。换句话说，你不需要为“OCR”这个功能本身掏钱，花的是调用底层视觉模型的钱。

GLM-OCR到底是什么？先搞清对象

很多人把“GLM-OCR”误以为是一个独立产品，其实它是智谱AI开源的**文档理解模型**，正式名称是 GLM-4.5V（也叫GLM-4.5V-0402），专门针对OCR和文档识别场景做了强化。它的核心能力不是简单的“抠字”，而是版面理解+文字识别+结构化输出三合一。

举个例子：你丢给它一张扫描版合同，它不仅能识别出所有文字，还能告诉你“甲方在左上角，金额是加粗的，落款日期是哪一天”，甚至直接输出成Markdown表格或JSON结构化数据。这比传统OCR（比如Tesseract）高出一个维度，因为它背后是视觉语言模型，不是单纯的字符识别引擎。

所属公司就是智谱AI（北京智谱华章科技有限公司），就是做ChatGLM的那家。模型权重在GitHub和HuggingFace上开源，同时也在智谱的开放平台提供API服务。

收费情况：免费额度+按量计费，没有“OCR专收费”

截止到2025年6月，智谱开放平台的计费逻辑如下（以官方最新公告为准）：

换算成实际场景：一张A4文档扫描图，大约消耗1000~2000 tokens（取决于文字密度），也就是说单张文档识别的成本大概在1~3分钱人民币。如果你只是偶尔用，免费额度基本用不完；如果是批量处理，成本也远低于请人打字或传统OCR+人工校对。

为什么说它“性价比很高”？对比一下

市面上其他OCR方案要么贵，要么笨。我做个简单对比：

GLM-4.5V的聪明之处在于：它用视觉语言模型做OCR，把“看懂”和“提取”合并了。传统OCR是“识别文字→再写规则提取关键信息”，而GLM-OCR直接一步到位，你甚至可以让它“把发票里的税额单独列出来，并计算合计”。这是传统OCR做不到的。

怎么用？入口和实操路径

有两条路：

1. 在线API（推荐大多数用户）：打开智谱AI开放平台 open.bigmodel.cn，注册后创建API Key，在“模型广场”选择GLM-4.5V，直接传图测试。平台自带调试页面，不用写代码就能看到效果。
2. 开源部署（技术用户）：去GitHub搜“GLM-4.5V”或“glm-4v”，找到官方仓库，里面有推理代码和权重下载地址。需要一张24GB显存的显卡（如3090/4090）才能跑得动，部署后完全免费。

我个人建议：先别急着部署，直接用开放平台的调试界面试几张你自己的文档，看看识别准确率是否满足需求。尤其是手写体、复杂表格、倾斜扫描件，这些场景是考验OCR能力的试金石。

几个容易被忽略的细节

• 计费单位是tokens，不是张数。所以同样一张图，你让它“只识别文字”和“让它分析图表并总结”，消耗的tokens差别很大。省钱技巧是：明确告诉模型“只输出纯文本，不要解释”。
• 免费额度会过期。智谱的赠送tokens通常有有效期（比如90天），别囤着不用，过期就浪费了。
• 图片大小影响费用。超大图片（比如几MB的扫描件）会被压缩处理，但细节可能丢失。建议扫描时用300DPI，不要用600DPI，后者不仅贵而且识别率提升有限。
• 隐私问题：如果你处理的是敏感合同、身份证等信息，建议用开源版本本地部署，别走云端API。智谱的隐私政策写的是“不用于模型训练”，但谨慎起见，敏感数据本地处理更安心。

我的真实使用感受

我拿它处理过一批1990年代的扫描版学术论文（页面发黄、有折痕），识别率大概在95%以上，公式和特殊符号会差一些，但正文文字基本可用。对比我之前用的某传统OCR（名字不说了），最明显的优势是表格识别——传统OCR遇到复杂表格就乱，GLM-4.5V能直接还原成结构清晰的Markdown表格，省了太多手工调整时间。

如果你只是偶尔识别几页PDF，免费额度完全够用；如果你有批量处理需求，我建议你先用小样本测试成本，再决定是走API还是自己部署。总的来说，在“免费额度内”它就是免费的，在“付费区间”它也是目前市场上性价比最高的文档识别方案之一。

相关问题

1. GLM-4.5V和GLM-4.5有什么区别？
GLM-4.5V是带视觉能力的版本，能“看图”，GLM-4.5是纯文本模型。OCR任务必须用V版本，价格略高但功能完全不同。

2. 智谱AI还有其他免费模型吗？
有，比如GLM-4-Flash（纯文本）长期提供免费额度，适合做文本分类、摘要、对话等任务，但视觉任务不在免费范围内。

3. 开源版GLM-4.5V需要什么配置？
最低建议RTX 3090（24GB显存），推理速度大约每秒处理1~2张图。如果只有8GB显存，可以尝试量化版，但精度会下降。

4. 如何降低GLM-OCR的调用成本？
缩小图片分辨率（长边不超过2048像素）、明确指令“只输出文本”、合并多个文档区域为一张图再识别，都能减少tokens消耗。

5. 与传统OCR（如PaddleOCR）比，GLM-OCR的优势在哪？
PaddleOCR是纯识别，速度快但不懂语义；GLM-OCR能理解文档结构、回答“这个表格合计是多少”这类问题。但PaddleOCR完全免费且可离线运行，两者适用场景不同。