¿Qué es GLM-OCR?
GLM-OCR es el modelo de OCR abierto de Zhipu AI, publicado a principios de 2026 con licencia MIT, con un informe técnico del 11 de marzo de 2026. Zhipu lo describe como un modelo de 0,9B de parámetros, con un codificador visual CogViT de 0,4B y un decodificador GLM de 0,5B; el checkpoint que cuenta Hugging Face tiene 1.330 millones. Lee texto, fórmulas y tablas, y rellena un esquema JSON que tú le das para extraer información clave, en ocho idiomas, entre ellos chino, inglés, francés, alemán y japonés.
El análisis de páginas completas funciona como una canalización. El SDK oficial encuentra las regiones con PP-DocLayoutV3 de Baidu y después las reconoce en paralelo. El entrenamiento añade predicción de varios tokens: el modelo aprende a proponer diez tokens por paso y en la inferencia acepta 5,2 de media, lo que según Zhipu aumenta el rendimiento en torno a un 50%.
Zhipu también lo vende como API, a 0,03 $ por millón de tokens de entrada o de salida en Z.ai, y los pesos sumaron unos 1,74 millones de descargas en Hugging Face en el último mes.
¿Merece la pena GLM-OCR?
GLM-OCR es el modelo de OCR pequeño por defecto para equipos que quieren a la vez pesos abiertos y una alternativa alojada. Sus puntuaciones se han comprobado fuera de Zhipu: la clasificación OmniDocBench v1.6 de OpenDataLab le da 95,22, por detrás de OvisOCR2 con 96,47, PaddleOCR-VL-1.6 con 96,34 y MinerU2.5-Pro con 95,75, y por delante de Qianfan-OCR con 93,90. La cifra principal de su propia ficha, 94,62 y primer puesto, es en la versión anterior v1.5, así que no debe compararse con cifras de v1.6.
La velocidad es el argumento más sólido. Zhipu comunica 1,86 páginas PDF por segundo y 0,67 imágenes por segundo con una sola petici ón simultánea, frente a 1,22 y 0,39 de PaddleOCR-VL-1.5, aunque no dice qué GPU usó. La prueba aparte de OpenBMB en una RTX 5090 lo situó en 1,179 páginas por segundo, justo por detrás de las 1,217 de MiniCPM-OCR 1.0 y por delante de las 0,818 de PaddleOCR-VL-1.6. Son cifras de dos proveedores, no neutrales, pero apuntan en la misma dirección.
La canalización tiene los costes habituales. El informe de Zhipu advierte de que los cuadros de maquetación erróneos estropean el reconocimiento posterior, de que el orden de lectura puede romperse en páginas irregulares de varias columnas y entre saltos de página, y de que los saltos de línea y los espacios varían de una ejecución a otra. El SDK solo cubre el análisis; la extracción de campos se hace con el modelo directamente y funciona tan bien como el esquema que escribas. El informe de OvisOCR2 de Alibaba aporta pruebas externas del problema de maquetación: en su prueba de tablas complejas, GLM-OCR se dejó un 17,26% de las tablas, frente al 7,96% de OvisOCR2.
El precio alojado es lo que lo separa de la mayoría de sus rivales abiertos. El artículo de Zhipu dice que 1 RMB a la tarifa china cubre unos 2.000 escaneos A4 o 200 PDF de diez páginas, y la API internacional acepta PDF de hasta 100 páginas y 50 MB. Los equipos pueden hacer prototipos con la API y llevar más tarde el mismo modelo a sus propios servidores.
Nuestra opinión: GLM-OCR es el analizador con el que medir a los demás. Un rival tiene que superarlo con tus propios documentos por un margen que justifique una infraestructura más pesada, y según las cifras públicas solo OvisOCR2 y PaddleOCR-VL-1.6 superan ese listón en páginas sueltas.
Dónde se gana su sitio
Una responsable de automatización administrativa en una empresa logística europea
Extraer a JSON los campos de destinatario, dirección y peso de albaranes escaneados
Envía cada página al modelo directamente con un prompt de plantilla JSON, como muestra la ficha para documentos de identidad. Zhipu comunica 93,7 en Nanonets-KIE; prueba con tus propios formularios, porque los campos con límites poco claros pueden volver incompletos.
Una startup de dos personas que crea un producto de búsqueda de documentos
Analizar los PDF de los clientes antes de comprar GPU
Empieza con la API de Z.ai a 0,03 $ por millón de tokens con archivos de hasta 100 páginas, y pasa a los mismos pesos con vLLM o SGLang cuando el volumen justifique el hardware. El formato de salida no cambia.
Un ingeniero de datos en una sociedad de valores china que procesa documentación con sellos y listados de código
Convertir grandes lotes de PDF a Markdown en servidores propios
Ejecuta el SDK de GLM-OCR con PP-DocLayoutV3 delante de un servidor vLLM y paraleliza las regiones. Con las 1,86 páginas por segundo de Zhipu, una réplica procesa unas 6.700 páginas por hora antes de añadir concurrencia.
Antes de decidirte
- Puesta en marcha
- Instala con pip el SDK de GLM-OCR desde GitHub, que incluye PP-DocLayoutV3, y apúntalo a un servidor local de vLLM o SGLang; las recetas están en los cookbooks de vLLM y SGLang, y el soporte en Transformers es nativo.
- Integraciones
- vLLM, SGLang, Ollama y Transformers; versiones GGUF, MLX y ONNX de la comunidad en Hugging Face; LLaMA-Factory para el ajuste fino; API de Z.ai y BigModel que aceptan JPG, PNG y PDF.
- Datos y privacidad
- Los pesos son MIT; el modelo de maquetación es Apache 2.0, así que ambas licencias se aplican a la canalización completa. Autoalojado, los documentos se quedan en tu hardware; la página de la API no indica condiciones de conservación.
- Coste a escala
- El checkpoint en BF16 ocupa unos 2,7 GB, así que basta una GPU de consumo para servirlo. En la API, la propia estimación de Zhipu es de unos 2.000 escaneos A4 por 1 RMB a la tarifa china.
- Límites
- Los archivos de la API tienen un límite de 10 MB por imagen, 50 MB por PDF y 100 páginas. Solo admite tres prompts de análisis (texto, fórmula, tabla) más la extracción basada en esquema; según el informe, los escaneos de baja resolución, las tablas densas e irregulares y los idiomas poco representados empeoran los resultados.
Lo bueno
- 95,22 en OmniDocBench v1.6, medido de forma independiente por OpenDataLab
- 1,86 páginas PDF por segundo con una sola petición simultánea, según Zhipu
- Licencia MIT; API a 0,03 $ por millón de tokens
- Extracción de campos a JSON guiada por esquema en el mismo modelo
Lo malo
- Por detrás de OvisOCR2 y PaddleOCR-VL-1.6 en precisión con páginas sueltas
- El análisis de páginas completas depende de un modelo de maquetación aparte
- La extracción de campos queda fuera del SDK y es sensible a la redacción del esquema
- Solo ocho idiomas; no se indica la GPU de las cifras de rendimiento
Ideal para
Equipos que quieren un modelo de OCR rápido y con licencia permisiva que puedan ejecutar ellos mismos o alquilar por tokens al mismo proveedor.
Alternativas a GLM-OCR
GLM-OCR: preguntas frecuentes
- ¿Merece la pena GLM-OCR?
- GLM-OCR ya no es el analizador más preciso, pero es el que menos motivos da para descartarlo: pequeño, con licencia MIT, evaluado de forma independiente y barato de alquilar. Le damos un 4.3 sobre 5.
- ¿Cuánto cuesta GLM-OCR?
- Gratuito con licencia MIT. API de Z.ai a 0,03 $ por millón de tokens, de entrada y de salida; BigModel (China) 0,2 RMB por millón de tokens.
- ¿Qué inconvenientes tiene GLM-OCR?
- Por detrás de OvisOCR2 y PaddleOCR-VL-1.6 en precisión con páginas sueltas; el análisis de páginas completas depende de un modelo de maquetación aparte; la extracción de campos queda fuera del SDK y es sensible a la redacción del esquema; solo ocho idiomas; no se indica la GPU de las cifras de rendimiento.
- ¿Para quién es GLM-OCR?
- Equipos que quieren un modelo de OCR rápido y con licencia permisiva que puedan ejecutar ellos mismos o alquilar por tokens al mismo proveedor.
- ¿Cuánto cuesta GLM-OCR para un equipo o en producción?
- El checkpoint en BF16 ocupa unos 2,7 GB, así que basta una GPU de consumo para servirlo. En la API, la propia estimación de Zhipu es de unos 2.000 escaneos A4 por 1 RMB a la tarifa china.
- ¿Es GLM-OCR seguro para los datos de la empresa?
- Los pesos son MIT; el modelo de maquetación es Apache 2.0, así que ambas licencias se aplican a la canalización completa. Autoalojado, los documentos se quedan en tu hardware; la página de la API no indica condiciones de conservación.
- ¿Cuáles son las mejores alternativas a GLM-OCR?
- Las alternativas más cercanas que hemos analizado son PaddleOCR-VL-1.6, OvisOCR2, MiniCPM-OCR 1.0 y Qianfan-OCR.
Respuestas comprobadas el 2 nov 2026.
¿Desarrollas GLM-OCR? Muestra esta nota en tu web
