今天是2026年2月3衵,相信大家年终奖快发了吧~下面来看今日ai资讯:
(ps:告别大模型幻觉?智谱 GLM-OCR 上手实测:公式表格封神,但这一点要小心…)
⏱️ 懒人专属 · 核心速读
如果没时间看全文,记住这张**“能力体检表”**就够了:
* 身份标签: 智谱开源的 GLM-OCR,参数仅 0.9B(轻量级选手)。
* 绝对强项: 数学公式(超长公式也不怕)、复杂表格、英文文档。在这几个领域,它简直是降维打击。
* 明显短板: 手写体(尤其是潦草字迹)、倾斜视角的图片(容易产生幻觉)、日文竖排。
* 彩蛋发现: 为了稳,它的版面分析(Layout)居然直接用了 Paddle 的 PP-DocLayoutV3。这波是“强强缝合”。
* 一句话评价: 学术论文、财报处理的神器;但在街景拍照、快递单识别上,老牌的 PaddleOCR 依然能打。
深度评测:当 VLM 杀入 OCR 腹地
OCR(光学字符识别)这个赛道,最近因为 DeepSeekOCR-2 和 GLM-OCR 的入局,再次变得滚烫。这次智谱推出的 0.9B 模型,实测下来非常有意思,它不仅是“卷”,更像是一种技术路线的取舍。
1. 哪里“真香”?(以及为什么香)
GLM-OCR 这次最大的亮点在于“结构化信息的理解力”。
* 公式识别是张王牌: 在 UniMERNet 测试中拿到 96.5 分。这意味着什么?意味着你把整页的考研数学题扔进去,它能精准地还原出 LaTeX 代码,哪怕公式长得跨了行,它也能接得住。
* 表格还原度极高: 很多 OCR 最怕表格线歪歪扭扭,或者单元格合并。GLM-OCR 在 PubTabNet 上表现出色,它似乎能“读懂”表格的逻辑,而不仅仅是认字。
2. 哪里“翻车”?(避坑指南)
产品落地时,知道短板比知道长板更重要。实测发现:
* 姿势不对,能力白费: 一旦图片旋转角度过大,GLM-OCR 就容易出现大模型特有的“幻觉”,开始一本正经地胡说八道。
* 由于太“书卷气”,不懂“江湖气”: 对于工整的打印体它很强,但遇到小学生潦草的作业、医生写的处方(手写体),PaddleOCR-VL-1.5 依然教做人。
3. 架构上的“实用主义”
这一发现让我觉得智谱的团队非常务实。他们在 Pipeline 的设计上,并没有为了“全栈自研”而死磕,而是在版面分析(Layout Analysis)阶段,直接调用了 PaddleOCR 的 PP-DocLayoutV3 组件。
这说明了什么?说明在**“哪里是图、哪里是表、哪里是字”这个定位任务上,传统的 CV 模型依然是目前性价比最高、最稳的基准。GLM-OCR 聪明地把算力全用在了“看懂内容”**上。
PM 的思考(Product Insight)
看完这次评测,我有两个关于行业趋势的判断:
第一,大模型正在“小参数化”和“专用化”。
通用大模型(如 GPT-4, Gemini)虽然什么都懂,但在垂直的 OCR 任务上,一个经过专项微调的 0.9B 模型,在精度和成本上都能完成反杀。这对于需要本地部署、对数据隐私敏感的企业来说,是巨大的利好。未来,“小模型+专项微调”将是企业级应用的主流。
第二,“缝合”不是贬义词,是工程化的最优解。
GLM-OCR 使用 Paddle 的组件告诉我们:不要重复造轮子。未来的 AI 产品架构,很可能是 “传统小模型负责脏活累活(定位、检测)” + “生成式大模型负责认知理解(识别、推理)” 的混合体。
互动呼吁
如果你正在做论文归档、教材电子化或者财报数据提取,强烈建议你把 GLM-OCR 拉进你的测试库里跑一跑,效果可能会给你惊喜。
大家在实际业务中,遇到过最难搞的 OCR 场景是什么?是扭曲的验证码,还是模糊的古籍?欢迎在评论区留言,我们一起找找有没有能搞定它的“银弹”!
(资源指路:HuggingFace 搜索 zai-org/GLM-OCR)