智谱AI GLM-OCR是怎么来的？

智谱AI于2026年2月发布并开源专业级OCR模型GLM-OCR，仅0.9B参数，走“小尺寸、高精度”路线，在文档解析榜单OmniDocBench V1.5上表现靠前。它是智谱在GLM-5等通用旗舰之外布局垂直专用场景的一环，适合票据识别、合同解析、扫描件归档等需低成本、可私有化部署的文档识别任务。

GLM-OCR 是智谱AI在 2026 年 2 月 3 日正式发布并开源的一款专业级 OCR（光学字符识别）模型，走的是”小尺寸、高精度”路线——参数量只有 0.9B，却在权威文档解析榜单 OmniDocBench V1.5 上拿到了相当靠前的成绩。换句话说，它不是那种靠堆参数硬砸出来的通用大模型副产品，而是专门为”把图片、扫描件、PDF 里的文字和版面结构读准”这件事打磨出来的专用模型。

下面按”它是什么、从哪来、能干什么、怎么用”几个角度展开说，尽量把能确认的信息讲清楚，避免脑补。

一、GLM-OCR 到底是什么

先给不熟悉 OCR 的读者补一句背景：OCR 就是把图像里的文字转成可编辑、可检索的文本。传统 OCR 在清晰印刷体上表现不错，但一遇到表格、多栏排版、公式、手写、模糊扫描件就容易崩。近两年大模型路线切入 OCR 后，核心卖点变成了”不仅认字，还理解版面”。

GLM-OCR 的定位正是后者。根据公开信息，它的几个关键标签是：

• 专业级 OCR 模型：面向文档识别场景，而不是泛化的多模态聊天模型；
• 0.9B 参数：这个体量在动辄几十上百 B 的模型里属于”轻量级”，意味着部署成本和推理开销相对可控；
• 小尺寸、高精度：官方把它作为核心特点来强调，即用更小的模型换取不妥协的识别质量；
• 开源：发布即开源，开发者可以自行获取和二次使用；
• OmniDocBench V1.5 榜单表现：这是文档解析领域的权威评测基准，GLM-OCR 在该榜单上取得了靠前的成绩（具体分数以官方发布为准）。

需要说明的是，关于它的具体收费方式、商用授权条款等细节，公开信息里并没有给出明确数字，建议以官网和开源仓库的实际说明为准，不要轻信二手转述。

二、它是怎么”来”的：从智谱的模型版图看 GLM-OCR 的位置

要理解 GLM-OCR 的由来，得先看智谱AI这家公司在做什么。智谱AI 的大模型产品线这几年铺得很开，从通用旗舰到垂直专用都有布局，GLM-OCR 可以理解为”垂直专用”这一支里的一个新成员。

把时间线拉出来会更清楚：

从这个节奏能看出一个规律：智谱在通用旗舰（GLM-5 系列）之外，正在密集地往”专用场景”上落子——编程有 Z Code 和 GLM-5，Agent 有 GLM-5-Turbo，文档识别就是 GLM-OCR。这条产品逻辑其实很务实：通用模型再强，落到具体任务上往往还是专用模型更划算，尤其是在 OCR 这种对精度和成本都敏感的领域。

另外，智谱还有 Z.ai 这样的聚合平台，以及 BigModel 开放平台（支持 GLM-4V、CogView-3 等多模态模型）。GLM-OCR 作为开源模型，天然适合接入这类平台和开发者生态，形成”模型开源 + 平台承载”的组合。

三、核心能力与特点拆解

1. 小参数换来的是”能落地”

0.9B 这个数字值得单独说。OCR 是高频、大批量的任务——一家公司可能每天要处理几万份票据、合同、扫描件。如果每张图都要调用一个几十 B 的大模型，成本和延迟都很难接受。0.9B 意味着它可以更轻松地私有化部署、在边缘设备或单卡上跑起来，这对实际业务落地是决定性的。

2. 精度对标权威榜单

OmniDocBench V1.5 是文档解析方向的权威评测集，覆盖多种文档类型和版面复杂度。GLM-OCR 在这个榜单上的表现，是它”高精度”说法的主要依据。对使用者来说，这类榜单成绩的意义在于：它至少经过了标准化评测，比单纯看 demo 截图靠谱。

3. 开源带来的可定制性

开源不只是”免费”这么简单。对开发者而言，能拿到权重意味着可以针对自己的文档类型（比如特定行业的票据、表单、病历）做微调，这是闭源 API 很难做到的。GLM-OCR 选择开源，本质上是在赌生态——让更多人用它、改它、把它嵌进自己的流程里。

四、怎么用、从哪进

GLM-OCR 是开源模型，主要获取渠道是官方开源仓库和智谱的模型平台。想快速体验或查阅文档，可以从智谱的开放平台 BigModel 入手，那里有模型调用和文档说明；如果想看模型本身和社区讨论，建议直接搜索官方开源仓库。

另外，智谱的 Z.ai 平台集成了多项模型能力，也可以作为了解智谱整体产品线的入口。至于 智谱清流 这类智能体开发平台，虽然主打的是多智能体协作、零代码配置和工作流编排，但 OCR 能力完全可以作为其中一个环节被编排进文档处理流程里——比如”上传扫描件 → OCR 提取 → 结构化 → 入库”这样的链路。

需要提醒的是，具体怎么调用、有没有免费额度、商用是否受限，这些都以官网和开源仓库的说明为准，本文不做过多个别断言。

五、一点个人判断

GLM-OCR 最值得关注的地方，其实不是榜单名次，而是它体现出的产品思路：用专用小模型去啃通用大模型不划算的活。OCR 这个赛道过去几年被反复”重新发明”，从传统 CV 到多模态大模型都试过，但真正能在精度、成本、可部署性三者间取得平衡的方案并不多。0.9B 的开源模型如果能稳住精度，对中小团队和需要私有化部署的行业客户来说，吸引力是实打实的。

当然，模型好不好最终要看在自己的数据上跑出来的结果。榜单是参考，不是保证——建议有需求的团队先拿自己的真实文档做一轮测试，再决定是否接入。

相关问题

Q1：GLM-OCR 和通用多模态大模型做 OCR 有什么区别？
通用多模态模型什么都能干，但 OCR 只是其中一项能力，参数大、成本高；GLM-OCR 是专为文档识别优化的 0.9B 小模型，在同类任务上更聚焦、更易部署。

Q2：0.9B 参数会不会不够用？
参数量不等于能力上限，尤其在 OCR 这种任务边界清晰、可以通过数据和结构设计优化的场景。关键看它在 OmniDocBench V1.5 这类标准评测上的实际表现，以及在你自己的文档上是否够用。

Q3：开源模型可以商用吗？
具体授权条款需要看官方开源仓库的许可证说明，不同开源协议对商用的限制差异很大，接入前务必确认。

Q4：智谱还有哪些相关产品可以配合使用？
比如 BigModel 开放平台提供模型调用能力，Z.ai 是集成多项模型的 AI 平台，智谱清流 则可以把 OCR 编排进更大的智能体工作流里。

Q5：GLM-OCR 适合哪些场景？
凡是需要把图像文档转成结构化文本的场景都合适，比如票据识别、合同解析、扫描件归档、表单提取等，尤其是对成本和私有化部署有要求的企业场景。

参考链接

• Z.ai ↗
• 智谱清流 ↗
• GLM-5-Turbo ↗
• GLM-5-Turbo ↗
• BigModel ↗
• GLM-OCR