Was ist GLM-OCR?
GLM-OCR ist Zhipu AIs offenes OCR-Modell, Anfang 2026 unter der MIT-Lizenz veröffentlicht, mit einem technischen Bericht vom 11. März 2026. Zhipu beschreibt es mit 0,9 Milliarden Parametern, einem CogViT-Vision-Encoder mit 0,4B und einem GLM-Decoder mit 0,5B; der Checkpoint, den Hugging Face zählt, enthält 1,33 Milliarden. Es liest Text, Formeln und Tabellen und füllt für die Extraktion von Schlüsselinformationen ein JSON-Schema, das du vorgibst, in acht Sprachen, darunter Chinesisch, Englisch, Französisch, Deutsch und Japanisch.
Das Parsen ganzer Seiten läuft als Pipeline. Das offizielle SDK findet Bereiche mit Baidus PP-DocLayoutV3 und erkennt sie dann parallel. Das Training ergänzt Multi-Token Prediction: Das Modell lernt, zehn Tokens pro Schritt vorzuschlagen, und akzeptiert bei der Inferenz im Schnitt 5,2, was laut Zhipu den Durchsatz um etwa 50% erhöht.
Zhipu verkauft es auch als API, für 0,03 $ pro Million Eingabe- oder Ausgabe-Tokens auf Z.ai, und die Gewichte kamen im vergangenen Monat auf Hugging Face auf etwa 1,74 Millionen Downloads.
Lohnt sich GLM-OCR?
GLM-OCR ist das kleine Standard-OCR-Modell für Teams, die offene Gewichte und eine gehostete Alternative zugleich wollen. Seine Werte wurden außerhalb von Zhipu geprüft: Die Rangliste OmniDocBench v1.6 von OpenDataLab führt es mit 95,22, hinter OvisOCR2 mit 96,47, PaddleOCR-VL-1.6 mit 96,34 und MinerU2.5-Pro mit 95,75 und vor Qianfan-OCR mit 93,90. Der Hauptwert der Model Card, 94,62 und Platz eins, bezieht sich auf das ältere v1.5 und sollte nicht neben Werte aus v1.6 gestellt werden.
Das stärkere Argument ist die Geschwindigkeit. Zhipu meldet 1,86 PDF-Seiten pro Sekunde und 0,67 Bilder pro Sekunde bei einfacher Parallelität, gegenüber 1,22 und 0,39 für PaddleOCR-VL-1.5, nennt aber die GPU nicht. Ein separater Test von OpenBMB auf einer RTX 5090 ergab 1,179 Seiten pro Sekunde, knapp hinter den 1,217 von MiniCPM-OCR 1.0 und vor den 0,818 von PaddleOCR-VL-1.6. Das sind Zahlen zweier Anbieter, keine neutralen, aber sie weisen in dieselbe Richtung.
Die Pipeline bringt die üblichen Kosten mit sich. Zhipus Bericht warnt, dass falsche Layoutboxen die anschließende Erkennung verderben, dass die Lesereihenfolge auf unregelmäßigen mehrspaltigen Seiten und über Seitenumbrüche hinweg brechen kann und dass Zeilenumbrüche und Leerraum von Lauf zu Lauf schwanken. Das SDK deckt nur das Parsen ab; die Extraktion von Feldern läuft gegen das bloße Modell und funktioniert nur so gut wie das Schema, das du schreibst. Alibabas Bericht zu OvisOCR2 liefert externe Belege für das Layoutproblem: In seinem Test mit komplexen Tabellen verfehlte GLM-OCR 17,26% der Tabellen, gegenüber 7,96% für OvisOCR2.
Der gehostete Preis unterscheidet es von den meisten offenen Konkurrenten. Laut Zhipus Paper reicht 1 RMB zum chinesischen Tarif für etwa 2.000 A4-Scans oder 200 zehnseitige PDFs, und die internationale API nimmt PDFs mit bis zu 100 Seiten und 50 MB an. Teams können mit der API Prototypen bauen und dasselbe Modell später On-Premises betreiben.
Unser Fazit: GLM-OCR ist der Parser, an dem sich die anderen messen lassen müssen. Ein Konkurrent muss es auf deinen eigenen Dokumenten so deutlich schlagen, dass sich ein schwererer Stack lohnt, und nach den öffentlichen Zahlen schaffen das bei Einzelseiten nur OvisOCR2 und PaddleOCR-VL-1.6.
Wo es sich lohnt
Ein Verantwortlicher für Backoffice-Automatisierung bei einer europäischen Logistikfirma
Empfänger, Adresse und Gewicht aus gescannten Lieferscheinen als JSON auslesen
Schicke jede Seite mit einem JSON-Vorlagen-Prompt an das bloße Modell, wie die Model Card es für Ausweise zeigt. Zhipu meldet 93,7 auf Nanonets-KIE; teste mit deinen eigenen Formularen, denn Felder mit unklaren Grenzen können unvollständig zurückkommen.
Ein zweiköpfiges Startup, das ein Produkt für die Dokumentsuche baut
Kunden-PDFs parsen, bevor GPUs gekauft werden
Beginne mit der Z.ai-API für 0,03 $ pro Million Tokens mit Dateien bis 100 Seiten und wechsle dann zu denselben Gewichten unter vLLM oder SGLang, wenn die Mengen Hardware rechtfertigen. Das Ausgabeformat bleibt gleich.
Ein Data Engineer bei einer chinesischen Wertpapierfirma, der Einreichungen mit Siegeln und Code-Listings verarbeitet
Große PDF-Stapel auf eigenen Servern in Markdown umwandeln
Betreibe das GLM-OCR-SDK mit PP-DocLayoutV3 vor einem vLLM-Server und parallelisiere die Bereiche. Bei Zhipus 1,86 Seiten pro Sekunde schafft eine Replik etwa 6.700 Seiten pro Stunde, vor Parallelisierung.
Bevor du dich festlegst
- Einrichtung
- Das GLM-OCR-SDK von GitHub per pip installieren, das PP-DocLayoutV3 mitbringt, und auf einen lokalen vLLM- oder SGLang-Server richten; Rezepte stehen in den Cookbooks von vLLM und SGLang, und Transformers wird nativ unterstützt.
- Integrationen
- vLLM, SGLang, Ollama und Transformers; Community-Builds in GGUF, MLX und ONNX auf Hugging Face; LLaMA-Factory für Feinabstimmung; APIs von Z.ai und BigModel für JPG, PNG und PDF.
- Daten und Datenschutz
- Gewichte unter MIT; das Layoutmodell steht unter Apache 2.0, für die vollständige Pipeline gelten also beide Lizenzen. Selbst gehostet bleiben Dokumente auf deiner Hardware; die API-Seite nennt keine Aufbewahrungsbedingungen.
- Kosten im großen Maßstab
- Der BF16-Checkpoint ist etwa 2,7 GB groß, eine Consumer-GPU reicht also. Für die API schätzt Zhipu selbst etwa 2.000 A4-Scans pro 1 RMB zum chinesischen Tarif.
- Grenzen
- API-Dateien sind auf 10 MB pro Bild, 50 MB pro PDF und 100 Seiten begrenzt. Unterstützt werden nur drei Parsing-Prompts (Text, Formel, Tabelle) plus schemabasierte Extraktion; laut Bericht verschlechtern sich die Ergebnisse bei niedrig aufgelösten Scans, dichten unregelmäßigen Tabellen und unterrepräsentierten Sprachen.
Was gut ist
- 95,22 auf OmniDocBench v1.6, unabhängig gemessen von OpenDataLab
- 1,86 PDF-Seiten pro Sekunde bei einfacher Parallelität, laut Zhipu
- MIT-Lizenz; API für 0,03 $ pro Million Tokens
- Schemagesteuerte Extraktion von JSON-Feldern im selben Modell
Was nicht
- Bei der Genauigkeit auf Einzelseiten hinter OvisOCR2 und PaddleOCR-VL-1.6
- Parsen ganzer Seiten hängt von einem separaten Layoutmodell ab
- Feldextraktion liegt außerhalb des SDK und reagiert empfindlich auf die Formulierung des Schemas
- Nur acht Sprachen; GPU für den Durchsatzwert nicht genannt
Am besten für
Teams, die ein schnelles, freizügig lizenziertes OCR-Modell wollen, das sie selbst betreiben oder beim selben Anbieter pro Token mieten können.
Alternativen zu GLM-OCR
GLM-OCR: häufige Fragen
- Lohnt sich GLM-OCR?
- GLM-OCR ist nicht mehr der genaueste Parser, aber der mit den wenigsten Gründen für ein Nein: klein, unter MIT-Lizenz, unabhängig bewertet und günstig zu mieten. Wir bewerten es mit 4.3 von 5.
- Was kostet GLM-OCR?
- Kostenlos unter der MIT-Lizenz. Z.ai-API 0,03 $ pro Million Tokens, Eingabe und Ausgabe; BigModel (China) 0,2 RMB pro Million Tokens.
- Welche Nachteile hat GLM-OCR?
- Bei der Genauigkeit auf Einzelseiten hinter OvisOCR2 und PaddleOCR-VL-1.6; Parsen ganzer Seiten hängt von einem separaten Layoutmodell ab; Feldextraktion liegt außerhalb des SDK und reagiert empfindlich auf die Formulierung des Schemas; Nur acht Sprachen; GPU für den Durchsatzwert nicht genannt.
- Für wen eignet sich GLM-OCR?
- Teams, die ein schnelles, freizügig lizenziertes OCR-Modell wollen, das sie selbst betreiben oder beim selben Anbieter pro Token mieten können.
- Was kostet GLM-OCR für ein Team oder im Produktivbetrieb?
- Der BF16-Checkpoint ist etwa 2,7 GB groß, eine Consumer-GPU reicht also. Für die API schätzt Zhipu selbst etwa 2.000 A4-Scans pro 1 RMB zum chinesischen Tarif.
- Ist GLM-OCR sicher für Firmendaten?
- Gewichte unter MIT; das Layoutmodell steht unter Apache 2.0, für die vollständige Pipeline gelten also beide Lizenzen. Selbst gehostet bleiben Dokumente auf deiner Hardware; die API-Seite nennt keine Aufbewahrungsbedingungen.
- Was sind die besten Alternativen zu GLM-OCR?
- Die nächsten Alternativen, die wir getestet haben, sind PaddleOCR-VL-1.6, OvisOCR2, MiniCPM-OCR 1.0 und Qianfan-OCR.
Antworten geprüft am 2. Nov. 2026.
Du entwickelst GLM-OCR? Zeig diese Bewertung auf deiner Website
