GLM-OCRとは？
GLM-OCRはZhipu AIのオープンなOCRモデルで、2026年初めにMITライセンスで公開され、2026年3月11日に技術レポートが出ました。Zhipuは9億（0.9 billion）パラメータで、0.4BのCogViTの視覚エンコーダーと0.5BのGLMのデコーダーから成ると説明していますが、Hugging Faceが数えるチェックポイントには13億3,000万（1.33 billion）パラメータが含まれています。テキスト、数式、表を読み、重要情報の抽出のために、与えたJSONスキーマを埋めます。対応言語は中国語、英語、フランス語、ドイツ語、日本語を含む8言語です。
ページ全体の解析はパイプラインとして動きます。公式のSDKがBaiduのPP-DocLayoutV3で領域を見つけ、それらを並列に認識します。学習にはマルチトークン予測が加わっています。モデルは1ステップに10トークンを提案するよう学習し、推論時には平均5.2トークンが採用されます。Zhipuによると、これでスループットが約50%上がります。
ZhipuはこれをAPIとしても販売しており、Z.aiでは入力、出力とも100万トークンあたり$0.03です。重みはHugging Faceで過去1か月に約174万（1.74 million）回ダウンロードされました。
GLM-OCRは使う価値があるか？
GLM-OCRは、オープンウェイトとホスト版の予備の両方を求 めるチームにとって、小型OCRモデルの定番です。スコアはZhipuの外でも確かめられています。OpenDataLabのOmniDocBench v1.6のリーダーボードでは95.22で、96.47のOvisOCR2、96.34のPaddleOCR-VL-1.6、95.75のMinerU2.5-Proに次ぎ、93.90のQianfan-OCRを上回っています。モデルカード自身が掲げる94.62で首位という数字は、古いv1.5でのものなので、v1.6の数字と並べるべきではありません。
より強い論拠は速さです。Zhipuは同時実行数1で、毎秒1.86ページのPDF、毎秒0.67枚の画像と報告しており、PaddleOCR-VL-1.5は1.22と0.39です。ただしGPUの名前は明かしていません。OpenBMBがRTX 5090で行った別のテストでは毎秒1.179ページで、MiniCPM-OCR 1.0の1.217にわずかに及ばず、PaddleOCR-VL-1.6の0.818を上回りました。どちらもベンダー2社の数字で、中立のものではありませんが、同じ方向を示しています。
パイプラインにはいつもの代償が伴います。Zhipuのレポートは、レイアウトのボックスが間違うとその後の認識が損なわれること、不規則な多段組みのページやページの区切りをまたぐと読み順が崩れることがあること、改行や空白が実行ごとに変わることを警告しています。SDKが扱うのは解析だけで、項目の抽出は素のモデルに対して行い、その出来は書いたスキーマ次第です。AlibabaのOvisOCR2のレポートは、レイアウトの問題について外部からの証拠を加えています。複雑な表のテストで、GLM-OCRは表の17.26%を見落とし、OvisOCR2は7.96%でした。
ほとんどのオープンな競合と違うのはホスト版の価格です。Zhipuの論文によると、中国の料金で1 RMBあれば、A4のスキャン約2,000枚、または10ページのPDF 200件をまかなえます。国際版のAPIは100ページ、50 MBまでのPDFを受け付けます。チームはAPIで試作し、あとで同じモデルをオンプレミスに移せます。
結論：GLM-OCRはほかの解析モデルを測る基準です。競合は、より重い構成を正当化できるだけの差で、あなた自身の文書でこれを上回らなければなりません。公開されている数字では、単一ページでその基準を超えるのはOvisOCR2とPaddleOCR-VL-1.6だけです。
真価を発揮する場面
欧州の物流会社のバックオフィス自動化の責任者
スキャンした納品書から、荷受人、住所、重量の項目をJSONに取り出す
モデルカードが身分証明書の例で示しているように、JSONのテンプレートのプロンプトを付けて各ページを素のモデルに送ります。ZhipuはNanonets-KIEで93.7と報告していますが、境界のあいまいな項目は不完全に返ることがあるので、自分のフォームでテストしてください。
文書検索の製品を作る2人のスタートアップ
GPUを買う前に、顧客のPDFを解析する
まず100万トークンあたり$0.03のZ.aiのAPIで、100ページまでのファイルを使って始め、量がハードウェアに見合うようになったら、同じ重みをvLLMかSGLangで動かします。出力の形式は変わりません。
印章やコードの一覧を含む届出書類を処理する中国の証券会社のデータエンジニア
社内のサーバーで大量のPDFをMarkdownに変換する
vLLMのサーバーの前にPP-DocLayoutV3付きのGLM-OCRのSDKを置き、領域を並列に処理します。Zhipuの毎秒1.86ページなら、同時実行を増やす前でも1つのレプリカで1時間に約6,700ページを処理できます。
導入前に確認すること
- 導入
- PP-DocLayoutV3を同梱したGLM-OCRのSDKをGitHubからpip installし、ローカルのvLLMかSGLangのサーバーに向けます。手順はvLLMとSGLangのクックブックにあり、Transformersにはネイティブに対応しています。
- 連携
- vLLM、SGLang、Ollama、Transformers。Hugging Face上のコミュニティによるGGUF、MLX、ONNXのビルド。ファインチューニング用のLLaMA-Factory。JPG、PNG、PDFを受け付けるZ.aiとBigModelのAPI。
- データとプライバシー
- 重みはMITで、レイアウトのモデルはApache 2.0なので、パイプライン全体には両方のライセンスが適用されます。セルフホストなら文書は自分のハードウェアにとどまります。APIのページには保持の条件が書かれていません。
- 大規模利用時のコスト
- BF16のチェックポイントは約2.7 GBなので、一般向けのGPU 1枚で動かせます。APIについては、Zhipu自身の見積もりで、中国の料金で1 RMBあたりA4のスキャン約2,000枚です。
- 制限
- APIのファイルは画像1枚あたり10 MB、PDF 1件あたり50 MBと100ページが上限です。対応する解析のプロンプトは3つ（テキスト、数式、表）とスキーマに基づく抽出だけです。レポートによると、低解像度のスキャン、密で不規則な表、学習データの少ない言語では精度が落ちます。
良い点
- OmniDocBench v1.6で95.22、OpenDataLabが独立して測定
- Zhipuによると、同時実行数1で毎秒1.86ページのPDF
- MITライセンス、APIは100万トークンあたり$0.03
- スキーマに基づくJSONの項目抽出を同じモデルで行える
気になる点
- 単一ページの精度ではOvisOCR2とPaddleOCR-VL-1.6に及ばない
- ページ全体の解析は別のレイアウトモデルに依存する
- 項目の抽出はSDKの外にあり、スキーマの書き方に左右される
- 対応は8言語のみで、スループットを測ったGPUが明かされていない
おすすめの人
自分で動かすことも、同じベンダーからトークン単位で借りることもできる、高速で制限の緩いライセンスのOCRモデルを求めるチーム。
GLM-OCRの代替
GLM-OCR：よくある質問
- GLM-OCRは使う価値があるか？
- GLM-OCRはもう最も精度の高い解析モデルではありません。しかし断る理由が最も少ないモデルです。小さく、MITライセンスで、独立した評価を受けており、安く借りられます。 評価は5点満点中4.3点です。
- GLM-OCRの料金は？
- MITライセンスで無料。Z.aiのAPIは入力、出力とも100万トークンあたり$0.03、BigModel（中国）は100万トークンあたり0.2 RMBです。
- GLM-OCRの欠点は？
- 単一ページの精度ではOvisOCR2とPaddleOCR-VL-1.6に及ばない; ページ全体の解析は別のレイアウトモデルに依存する; 項目の抽出はSDKの外にあり、スキーマの書き方に左右される; 対応は8言語のみで、スループットを測ったGPUが明かされていない.
- GLM-OCRは誰に向いているか？
- 自分で動かすことも、同じベンダーからトークン単位で借りることもできる、高速で制限の緩いライセンスのOCRモデルを求めるチーム。
- チームや本番環境でGLM-OCRを使うと費用はいくらか？
- BF16のチェック ポイントは約2.7 GBなので、一般向けのGPU 1枚で動かせます。APIについては、Zhipu自身の見積もりで、中国の料金で1 RMBあたりA4のスキャン約2,000枚です。
- GLM-OCRは企業データを扱っても安全か？
- 重みはMITで、レイアウトのモデルはApache 2.0なので、パイプライン全体には両方のライセンスが適用されます。セルフホストなら文書は自分のハードウェアにとどまります。APIのページには保持の条件が書かれていません。
- GLM-OCRの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はPaddleOCR-VL-1.6, OvisOCR2, MiniCPM-OCR 1.0 、 Qianfan-OCRです。
回答確認日：2026年11月2日
GLM-OCRの開発元の方へ：この評価をサイトに掲載できます
