智谱GLM-OCR：0.9B参数文档解析，如何告别算力虚胖

GLM-OCR的出现，某种程度上是为了给当前的AI热潮降温——它提醒我们，并非所有问题都需要动用万亿参数的“超级大脑”来解决。在文档解析这个垂直领域，一个设计精巧、专注于结构化输出的轻量级模型，往往能带来更高的工程价值。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

做过文档解析的开发者，或许都经历过这样的绝望时刻：面对一份排版复杂的PDF或一张字迹潦草的报销单，传统OCR只会给出一堆无序的字符，而动用GPT-4V这类通用大模型又像是“大炮打蚊子”——既烧钱，又慢得让人心焦。

就在2026年2月3日，智谱AI抛出了一个让开源社区炸锅的项目——GLM-OCR。这款模型最令人惊讶的并非它能做什么，而是它“如何做到的”。

图片

它仅有0.9B（90亿）参数。

在这个动辄千亿参数的大模型时代，0.9B听起来像是玩具。但正是这个“小个子”，在权威的OmniDocBench V1.5榜单上拿下了94.6分，一举登顶，甚至在部分能力上输出了谷歌的Gemini-3-Pro。

今天我们就来扒一扒，这个号称“小尺寸、高精度”的开源模型，到底是不是文档处理领域的“版本答案”。

拒绝臃肿，只要精度

在AI圈子里，我们习惯了用堆参数来换智能。但GLM-OCR走了一条反直觉的路：极致的轻量化。

0.9B参数意味着什么？意味着它的模型体积只有约2.65GB。你不需要昂贵的H100集群，甚至在边缘设备上也能跑得飞起。智谱并没有因为体积小就牺牲性能，反而通过自研的CogViT视觉编码器和GLM-0.5B解码器架构，把技能点全加在了“视觉理解”上。

数据不会说谎。在单副本单并发的情况下，它处理PDF的速度达到了每秒1.86页，图片处理达到每秒0.67张。相比同类竞品，吞吐量提升了近50%。简单说，它不仅看得准，而且读得快。

专治各种“排版噩梦”

传统OCR最怕什么？怕表格，怕公式，怕中英文混排，更怕财务大姐那龙飞凤舞的手写发票。

GLM-OCR显然是盯着这些痛点训练的。它不仅仅是识别文字，更是在“理解结构”。

搞定复杂表格：不需要后期再写一堆正则表达式代码去拼凑表格，GLM-OCR能直接输出标准的HTML代码或Markdown。合并单元格、多层表头、跨页表格，它都能还原得整整齐齐，直接省去了二次制表的繁琐。

图片

死磕高难场景：针对手写体、印章遮挡、代码文档以及那种让人头大的多栏混排，智谱进行了全任务强化学习训练。实测显示，它能从票证和卡证中精准提取关键字段，并输出干净的JSON格式。这对于金融、保险和物流行业的自动化流程来说，简直是救命稻草。

把价格打下来的“实用主义”

技术再好，太贵也是白搭。GLM-OCR这次的定价策略非常激进，甚至可以说是“甚至不想赚你钱”。

API调用成本仅为0.2元/百万Tokens。

这是什么概念？大概1块钱就能处理2000张A4扫描图片，或者200份10页的PDF文档。相比传统OCR方案，成本直接砍到了十分之一。对于那些甚至还在犹豫要不要用AI的企业来说，这个价格门槛几乎被抹平了。

图片

而且，它对部署环境极度友好。不仅支持vLLM、SGLang、Ollama这些主流推理框架，还完成了对国产算力的Day 0适配。无论是想在云端薅羊毛，还是想私有化部署保隐私，路都给你铺好了。

写在最后

GLM-OCR的出现，某种意义上是给当下的AI热潮降温——它提醒我们，不是所有问题都需要万亿参数的“超级大脑”来解决。在文档解析这个垂直领域，一个设计精良、专注于结构化输出的轻量级模型，往往能带来更高的工程价值。

目前，项目代码和模型权重已经全量开源至GitHub和Hugging Face。如果你正被文档解析的烂摊子搞得焦头烂额，不妨试试这个0.9B的“小钢炮”，它可能会给你带来久违的清爽感。