CAIE注册人工智能工程师

公众号作者

CAIE，全称 Certifed Artifcial Intelligence Engineer（人工智能工程师），简称 CAIE（赛一） ，是人工智能领域的技能等级认证。旨在评估和培养具备人工智能理论基础与实战能力的职业人士。

做技术开发的朋友对OCR识别的痛点一定深有体会，规规矩矩的印刷体还好说，可碰到复杂表格、专业公式、公章印章或是手写内容，多数模型直接拉胯。

介绍一个智谱AI开源非常好用的GLM-OCR，目前在HuggingFace上下载量狂飙260万，同时在多项权威测评中霸榜第一，成为中文OCR领域的大黑马。

这款轻量级多模态OCR模型，把识别精度、推理速度和部署便捷性做到了兼顾，不管是企业级业务落地还是个人开发使用，适配度都拉满。

开源地址：https://huggingface.co/zai-org/GLM-OCR

从核心结构来看，GLM-OCR有点像一个分工明确的专业团队，先是由在海量图文数据中预训练的CogViT视觉编码器捕捉图像特征。

再通过轻量级跨模态连接器完成视觉与语言信息的无缝对接，最后由GLM-0.5B语言解码器将视觉信息转化为准确文字。

同时它还结合了PP-DocLayout-V3的两阶段处理流程，先做布局分析再进行并行识别，再奇葩的文档排版都能梳理清晰，彻底解决了传统OCR识别混乱、漏识别的问题。

能在短时间内圈粉无数，下载量突破260万，GLM-OCR的核心竞争力主要有四个方面，每一个都精准踩中了实际使用的痛点。

首先是性能登顶行业顶尖，在OmniDocBenchV1.5权威文档理解测评中，它拿下94.62的高分稳居第一，公式识别、表格识别、信息提取等主流测评中，也都是第一梯队表现，碾压不少大厂通用大模型的OCR能力。

其次是专为真实场景优化，实际工作中的复杂表格、代码密集型文档、带公章的正式文件，这些传统OCR的重灾区，都是GLM-OCR的强项，复杂布局下依然能保持稳定的识别效果。

再者是轻量高效易部署，整个模型仅0.9B参数量，和动辄几十上百B的大模型比堪称轻量，却支持vLLM、SGLang、Ollama多种部署方式。

能大幅降低推理延迟和计算成本，高并发企业服务和边缘设备部署都能轻松扛住。

最后是全开源好上手，模型完全开源，配套完整的SDK和推理工具链，安装简单一行命令调用，和现有生产流水线整合也十分顺滑，技术团队不用投入大量时间二次开发，就能快速落地使用。

咱们再重点详细说下GLM-OCR在主流评测平台的数据。文档解析方面，OmniDocBenchv 1.5测评中它拿到94.6的分数，稳居专用视觉语言模型第一位。

文本识别在OCRBench测评中飙至94.0，远超同类模型；公式识别更是强项，UniMERNet测评中96.5的分数几乎触到行业天花板，复杂学术公式也能精准识别。

表格识别虽在标准测评PubTabNet中略逊MinerU2.5。但在真实场景表格识别中拿下91.5的高分，远超同类模型，毕竟真实业务中的表格，远比测评标准表格复杂。

针对真实业务的高频场景，GLM-OCR的表现同样亮眼，代码识别84.7、印章识别90.5、票据信息提取94.5，能看出它的优化并非为了测评，而是真正适配实际使用。

唯一稍弱的是多语言识别69.3，虽优于多数专用OCR，但和通用大模型有差距，不过主打中英文识别的话完全够用。

速度上更是碾压同级，解析图片生成Markdown每秒处理0.67张，PDF文档每秒处理1.86页。

图片处理速度比PaddleOCR-VL-1.5快近70%，PDF处理快50%以上，大批量文档处理时，能节省大量时间成本。

使用时有个小细节要注意，GLM-OCR 的提示词分两种场景，用对了识别效果会更精准。

文档解析主要提取原始内容，支持文本、公式、表格三种类型，只需在提示词中指定对应类型即可，简单直接。

信息提取则是提取结构化信息，需要严格按照 JSON 格式写提示词，定义好所需提取的字段，模型会按指定格式返回结果，方便后续数据处理，这一步字段定义要清晰，避免影响后续对接。

想系统掌握AI核心技能、获取行业认可资质？

CAIE注册人工智能工程师认证

助你拓宽职业赛道，成为AI领域持证实力派

微信小程序

CAIE 认证

CAIE认证

以上内容来自微信小程序

企业、高校及渠道合作

请联系微信：FYLlaoshi