GLM-OCR
Компактная зрительная модель для распознавания сложной верстки, таблиц и рукописного текста
Сканы брифов, пометки от руки на полях эскизов или верстка из многостраничного PDF с таблицами обычно превращаются в техническую кашу: базовые ридеры ломают сетку, путают колонки и теряют фрагменты. GLM-OCR — легкая модель компьютерного зрения весом всего 0,9 млрд параметров на базе энкодера CogViT, заточенная под аккуратную оцифровку сложных макетов. Она берет на себя черновую рутину, превращая разношерстный визуальный контент в чистые структурированные файлы.
Что умеет
- Читает многостраничные файлы PDF (до 100 страниц и до 50 МБ), а также картинки в форматах JPG и PNG весом до 10 МБ.
- Разбирает рукописные заметки, формулы, фрагменты программного кода, штампы и товарные чеки.
- Переносит сложные таблицы без потери структуры прямо в HTML-код.
- Вытягивает данные из сертификатов, квитанций и бланков сразу в структурированный формат JSON.
- Сохраняет итоговый документ в Markdown, чистый текст или генерирует ссылки на изображения.
- Поддерживает русский, китайский, английский, французский, испанский, немецкий, японский и корейский языки.
- Обрабатывает документы со скоростью до 1,86 страниц в секунду для PDF и 0,67 кадров в секунду для картинок.
Цены и доступ
Модель можно развернуть на собственных мощностях через движки vLLM и SGLang или вызывать через облачный API с помощью библиотек для Python и Java. Стоимость доступа фиксированная — 0,03 доллара за миллион входящих и исходящих токенов.
Студиям и продакшенам, которые упаковывают архивы проектов в собственные базы знаний или регулярно собирают таблицы из старых брендбуков, этот легковес сбережет часы ручного труда. Модель стабильно делает черную работу, не требуя под себя монструозных серверов. Хороший повод наконец забыть о ручной перепечатке сканов.
