做过文档解析的开发者都有过这种绝望时刻：面对一份排版复杂的PDF或一张字迹潦草的报销单，传统OCR只会给你吐出一堆乱序的字符，而动用GPT-4V这种通用大模型又像是“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甩出了一个让开源社区炸锅的项目——GLM-OCR。这款模型最让人惊讶的不是它能做什么，而是它“怎么做到的”。
它只有0.9B（90亿）参数。
在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，甚至在部分能力上贴脸输出了谷歌的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。
数据不会撒谎。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（比如PaddleOCR），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。
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，它能从票据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？大约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上AI的企业来说，这个价格门槛几乎被抹平了。
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（如沐曦GPU）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，某种意义上是在给当下的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。
如果你也对最新的AI信息感兴趣或者有疑问 都可以加入我的大家庭 第一时间分享最新AI资讯、工具、教程、文档 欢迎你的加入！！！😉😉😉
公众号：墨风如雪小站
