glm-ocr - Ollama 框架

glm-ocr

245.1K 下载更新 2个月前

GLM-OCR 是一个基于 GLM-V 编码器-解码器架构构建的，用于复杂文档理解的多模态 OCR 模型。

视觉工具

ollama run glm-ocr

curl https://:11434/api/chat \
  -d '{
    "model": "glm-ocr",
    "messages": [{"role": "user", "content": "Hello!"}]
  }'

from ollama import chat

response = chat(
    model='glm-ocr',
    messages=[{'role': 'user', 'content': 'Hello!'}],
)
print(response.message.content)

import ollama from 'ollama'

const response = await ollama.chat({
  model: 'glm-ocr',
  messages: [{role: 'user', content: 'Hello!'}],
})
console.log(response.message.content)

应用

Claude Code

Claude 代码 ollama launch claude --model glm-ocr

Codex

Codex ollama launch codex --model glm-ocr

OpenCode

OpenCode ollama launch opencode --model glm-ocr

OpenClaw

OpenClaw ollama launch openclaw --model glm-ocr

模型

查看全部 →

名称

3个模型

大小

上下文

输入

glm-ocr:latest

2.2GB · 128K 上下文窗口 · 文本, 图像 · 2个月前

glm-ocr:latest

2.2GB

128K

文本, 图像

glm-ocr:q8_0

1.6GB · 128K 上下文窗口 · 文本, 图像 · 2个月前

glm-ocr:q8_0

1.6GB

128K

文本, 图像

glm-ocr:bf16

2.2GB · 128K 上下文窗口 · 文本, 图像 · 2个月前

glm-ocr:bf16

2.2GB

128K

文本, 图像

自述文件

GLM-OCR 是一种基于 GLM-V 编码器-解码器架构的多模态 OCR 模型，用于复杂的文档理解。该模型集成了在大型图像-文本数据上预训练的 CogViT 视觉编码器、具有高效 token 下采样的轻量级跨模态连接器以及 GLM-0.5B 语言解码器。

用法

文本识别

ollama run glm-ocr Text Recognition: ./image.png

表格识别

ollama run glm-ocr Table Recognition: ./image.png

图表识别

ollama run glm-ocr Figure Recognition: ./image.png

主要特性

最先进的性能：在 OmniDocBench V1.5 上获得 94.62 分，总体排名第一，并在公式识别、表格识别和信息提取等主要文档理解基准测试中提供最先进的结果。
针对实际场景优化：专为实际业务用例设计和优化，在复杂的表格、代码量大的文档、印章和其他具有挑战性的实际布局上保持强大的性能。
高效推理：GLM-OCR 仅有 0.9B 参数，支持通过 vLLM、SGLang 和 Ollama 进行部署，显著降低推理延迟和计算成本，使其非常适合高并发服务和边缘部署。
易于使用：完全开源，并配备了全面的 SDK 和推理工具链，提供简单的安装、单行调用和与现有生产管道的无缝集成。

![logo.svg](/assets/library/glm-ocr/c08dfddc-0734-4983-a450-3466d01594ee)

GLM-OCR is a multimodal OCR model for complex document understanding, built on the GLM-V encoder–decoder architecture. The model integrates the CogViT visual encoder pre-trained on large-scale image–text data, a lightweight cross-modal connector with efficient token downsampling, and a GLM-0.5B language decoder.

![image.png](/assets/library/glm-ocr/7b4bd5ed-e6bc-4f36-889d-a02fa36e88ae)

### Usage

#### Text recognition

```shell
ollama run glm-ocr Text Recognition: ./image.png
```

#### Table recognition

```shell
ollama run glm-ocr Table Recognition: ./image.png
```

#### Figure recognition

```shell
ollama run glm-ocr Figure Recognition: ./image.png
```

### Key features

- **State-of-the-Art Performance**: Achieves a score of 94.62 on OmniDocBench V1.5, ranking #1 overall, and delivers state-of-the-art results across major document understanding benchmarks, 
including formula recognition, table recognition, and information extraction.

- **Optimized for Real-World Scenarios**: Designed and optimized for practical business use cases, maintaining robust performance on complex tables, code-heavy documents, seals, and other challenging real-world layouts.

- **Efficient Inference**: With only 0.9B parameters, GLM-OCR supports deployment via vLLM, SGLang, and Ollama, significantly reducing inference latency and compute cost, making it ideal for high-concurrency services and edge deployments.

- **Easy to Use**: Fully open-sourced and equipped with a comprehensive [SDK](https://github.com/zai-org/GLM-OCR) and inference toolchain, offering simple installation, one-line invocation, and smooth integration into existing production pipelines.

粘贴、拖放或单击以上传图像（.png、.jpeg、.jpg、.svg、.gif）