概览
GLM-OCR 将文档版面分析与文字识别结合，完整管线使用 PP-DocLayoutV3 分析区域，再进行识别。SDK 可以把图片和 PDF 等文档交给云端处理，也可以连接自托管模型服务。对于知识库建设，它位于索引之前：把原始页面变成可检查的文本与结构，再由业务系统分段、建立索引和保留页码关系。模型本身约 0.9B 参数，实际资源需求还受布局模型与服务配置影响。
主要功能
- 面向正文、表格与公式识别。
- 完整管线包含版面区域分析。
- 云端模式可返回 Markdown 与 JSON 版面信息。
- 提供 glmocr parse 命令行入口。
- Python API 支持单图和多页输入。
- 可选择云端、vLLM、SGLang 等部署路径。
要求、安装和快速入门
1. 云端入门执行 pip install glmocr。
2. 按官方配置示例设置 pipeline.maas.enabled 与 API 密钥，密钥保存在本地配置或部署密钥系统。
3. 自托管布局管线安装 pip install "glmocr[selfhosted]"，再按文档配置模型服务地址。
4. 使用 glmocr parse image.png --output ./results/ 处理样本图片。
5. Python 中可调用 parse("image.png") 并使用 result.save(output_dir="./results")。
6. 检查输出目录中的识别文本和结构，再扩大到目录或多页文档。
2. 按官方配置示例设置 pipeline.maas.enabled 与 API 密钥，密钥保存在本地配置或部署密钥系统。
3. 自托管布局管线安装 pip install "glmocr[selfhosted]"，再按文档配置模型服务地址。
4. 使用 glmocr parse image.png --output ./results/ 处理样本图片。
5. Python 中可调用 parse("image.png") 并使用 result.save(output_dir="./results")。
6. 检查输出目录中的识别文本和结构，再扩大到目录或多页文档。
用法
例如整理一批产品手册，可先挑选正文页、表格页和公式页各一张，检查阅读顺序、表格单元格和公式符号是否保留。通过后再批量处理，并将原图、页码与输出文件一起保存。Python 中传入图片列表会被当作同一文档的多页，而不是多个独立文档；多个文件的业务边界需要调用方自行组织。
实施要点
低清晰度、倾斜、复杂印章和密集表格会增加错误机会。对后续检索或统计有影响的数字和字段应抽样核对；模型识别结果需要再经过业务规则校验。
实施要点
低清晰度、倾斜、复杂印章和密集表格会增加错误机会。对后续检索或统计有影响的数字和字段应抽样核对；模型识别结果需要再经过业务规则校验。
模型兼容性与使用场景
云端模式需要可用 API 凭据和网络，文件会发送到服务提供方；自托管需要对应推理环境。SDK 客户端无 GPU 不代表自托管服务端也无需计算资源。
许可证与风险说明
仓库代码采用 Apache-2.0；GLM-OCR 模型采用 MIT；完整管线中的 PP-DocLayoutV3 采用 Apache-2.0。