刷抖音赞自助下单平台，真的安全高效吗？

OCR模型究竟能干什么？干得怎么样？

2025年末2026年年初，科技圈最卷的技术无疑就是——O！C！R！

这不，就在前两天，智谱也下场整活儿了，发布了自家的「GLM-OCR」开源模型～

别看参数就0.9B，在OmniDocBench V1.5榜单上可是一通乱杀。

拳打Gemini-3-Pro！脚踢GPT5.2！（开玩笑

在手写体、代码文档、印章识别、跨单元格等场景的性能表现直通SOTA：

这两天处于工作的原因，我也深度上手使用了GLM-OCR一番，这波用下来的感受是：

在日常基础文档解析场景里用起来确实爽爽爽！

but，涉及到字迹不清晰或复杂排版的信息时，翻车现象还是有的……

 

顺带，帮友友们浅浅总结了一下GLM-OCR日常帮咱干哪些活儿最合适，让大家少踩点坑：

解析较为格式比较规整的Word/PPT/论文/教材表格。

解析不太抽象潦草的手写体、收据、代码、合同扫描件。

解析日常生活工作中的会议纪要、白板字迹等等。

不多说了，也把我的实测体验过程放上来，大家都帮着看看～～～

一手实测GLM-OCR

实测前先给大家伙捋捋一捋，GLM-OCR有哪些极夯的能力（官方版）：

通用文本识别：支持照片、截图、扫描件、文档输入，能够识别手写体、印章、代码等特殊文字。

复杂表格解析：针对合并单元格、多层表头等复杂结构，模型能精准理解并直接输出HTML代码。

信息结构化提取：支持从各类卡证、票据、表格中智能提取关键字段，并输出标准的JSON格式。

（顺带一提

 

：GLM-OCR支持vLLM、SGLang和Ollama部署，还开源了完整SDK与推理工具链，能直接调用）

所以接下来，咱就直接围绕文本、表格、结构化提取三项核心能力实打实测一波！！！

通用文本识别能力

大家发现没。

无论是扫描王这类老牌工具，还是后来出现的各种解析产品，我们判断文本识别靠不靠谱，其实就看一件事——

能不能把文字1:1原样还原出来。

听起来很简单吧，但真做起来，难点主要卡在两件事上：

第一，复杂、抽象字体能不能认对，手写体、潦草笔记、特殊符号，中英文混写时能不能稳稳识别。

第二，不同输入形态下稳不稳，照片、截图、扫描件清晰度和噪点差异很大，能不能在各种输入形态下都保持准确，才是真本事。

 

我们先来测一个简单点的——

看看在普通纸质形态下，GLM-OCR对的「手写解析」能力表现咋样～

这次我喂给GLM-OCR的，是我手写的一道家长、老师、学生听了都要头皮一紧的潦草手写版「多步骤公式题」：

先来唠唠不错的地方。

在这张图片里，一共涉及60多个「汉字+数学公式」混排符号，GLM-OCR给出的整体识别准确率大约在96%左右。

放在手写场景里，这个表现已经算是不错了。

咱再来看看里面的翻车点。

不难看出，图片中一共出现了3处解析错误， 当笔画写得比较潦草时，模型把X识别成了=，把成立识别成了或，另外不知道为啥还凭白无故多出来了一行公式……

为了验证是不是个例情况，我又把这张公式图原封不动丢给了ChatGPT-5.2，结果你猜怎么着：

翻车点几乎一模一样......

甚至更离谱的是GPT-5.2的错误率还略高于GLM-OCR，一共有4处解析错误……

其实也不算意外，毕竟潦草字迹一多，原本稳定的「笔画特征」就被打散了。

底层信息一模糊，模型自我纠错能力就容易跟不上…..

 

咱们再来试一个学生党和码农在生活工作中用的比较多的场景——「代码解析」。

这次我喂GLM-OCR的，是一篇论文里符号密度拉满的代码信息，变量、括号、注释全挤在一起（地狱级难度）：

效果当然没得说，符号、缩进、排版都近乎1:1的还原了，注释位置也基本都对，蛮厉害蛮厉害。

但最让我感到意外的是，它能判断出我喂给它的是代码，输出时也会自动切到代码模式。

对于咱日常拿来做代码阅读、资料整理、论文辅助完全够用了。

测到这里，总感觉文字形式多少有点过于简单了，于是乎，我又来试了一把牛马党工作中经常用到的「盖章识别」：

过关！印章里的关键信息大概齐都能识别到位，唯一缺点是把印章外的「XX增值税电子专用发票」也一并识别了。

 

最后，咱再来试试GLM-OCR在「低质量输入」下的模型稳定性表现。

看看模型面对糊图的表现会不会“糊”。（doge）

这回，我喂给模型的是一份分辨率偏低、且肉眼看都有点吃力的「高糊」文字：

大家仔细看会发现，原图片本身是发糊、边缘不清、对比度低的，单个字的特征并不完整。

蛮不错的是，模型除了把「标签」错误解析为「标普」外，其他文字还原的都没啥问题，值得夸夸～

（诶，突然感觉还挺适合咱还原一些包浆&陈年的截图内容的？？？）

复杂表格解析能力

「表格解析」也是大家日常学习、工作、生活中用得非常多的一个大！场！景！

像论文里的数据表、课程表、成绩单、实验数据、预算清单、对账表……不管是学生还是打工人，几乎天天都能碰到～

其实对于OCR模型来说，表格解析能力表现我们可以大致概括为以下几个方面：

结构准确性：模型能否正确识别表格的整体布局，包括行/列划分、合并单元格、多级表头等等。

单元格内容识别精度：尤其是数字对齐、日期格式、特殊字符（货币符号、百分号）、手写或低质扫描内容。

端到端整体还原能力：从主要指的是对齐、格式保留（如粗体、斜体、颜色、字号等）。

这回我直接找个比较能考察这些维度的「复杂工作表格」进行实测：

emm...怎么说呢，感觉表格解析能力的毛病和优点都很明显。

在表格中涉及大量金额、正负数和重复数值的情况下，模型依旧把绝大多数字准确还原了出来，这一点放在财务类报表里，其实已经很难得。

但相比这些优点，更值得拿出来说的，还是它暴露出来的核心问题——

行列对齐出错了。

模型把第一列的表头的「报表项目」直接吞掉了，以至于第一列整体发生错位，后面的行列关系也跟着一起乱了…

问题出现的原因，我猜可能是因为「报表项目」的表头在视觉上太像内容，不像结构。（doge

再加上它和下面货币资金、应收账款等文字，在字号、粗细、对齐方式上差别很小——

对模型而言可能缺少我是表头的明显信号？？？

 

感兴趣的朋友可以自己上手试试，看看有没有同类情况的问题，我还蛮好奇这是不是通病…

信息结构化提取能力

除了表格、手写文字外，还有一类信息解析场景大家会频繁接触到，那就是——结构化提取。

例如在日常报销单、发票、证件识别等场景上，那就是有时候我们需要的往往是「字段结果」，而不是整页文字。

所以就需要有个能进行信息结构化的工具帮我们干这活儿。

据官方说法，GLM-OCR能从各类卡证、票据、表格中智能提取关键字段，并输出标准的JSON格式。

不过这里有个小插曲，可能是因为我用的是在线测试版本，没找到提示词输入的入口，似乎需要在本地或部署环境下测试？？？（我猜）

所以，这部分我们直接参考一下官方给出的示例效果，以下为输入示例图：

在输入对应的提示词后，模型会根据指令要求，从表格中定向抽取指定字段，并将结果整理成结构清晰、字段明确的JSON输出：

果然，一旦把结构这件事交给提示词明确约束，模型在信息抽取上的稳定性会大幅提升啊…

OMT

2025年末2026年年初，国内OCR模型可以说是《一茬接一茬》地冒出来。

去年9月的时候，百度推出了支持5种文本类型识别的超轻量模型PP-OCRv5，主打低参数、快部署。

上个月，DeepSeek发布DeepSeek-OCR2，在语义理解和像素逻辑关联上进一步加强，更偏向复杂内容的整体理解能力。

再到刚刚智谱推出的GLM-OCR，直接把参数压进1B以内，同时在手写体、复杂表格等高难场景中刷到了SOTA。

咱也不难看出，随着OCR越来越热，各家厂商也慢慢卷出了一点相似的《门道》，譬如：

越来越轻量级的参数：0.07B～0.9B大小的模型参数越来越多了，部署成本越来越低。

模型输出效果提升：像公式、代码、印章、手写混排，甚至拍糊了扫歪了的文档，现在也能有不错的识别效果。

速度更快，价格也更友好：OCR从解析到导出的整体耗时越来越短，API也越来越便宜了～

 

咱不提具体技术细节，单从这些实用的大趋势来说，对用户确实是好事儿，毕竟——

参数小意味着好部署。

 

输出稳，意味着咱返工次数就少。

 

便宜这事儿更甭提了，谁不喜欢薅羊毛呢。

 

（只要是好用、性价比高、好部署的模型，俺们用户就欢迎～）

哦对。

GLM-OCR链接我放在下面了，感兴趣的友友们可以用用试试～

GLM-OCR一箩筐链接：

[1]Github：https://github.com/zai-org/GLM-OCR

[2]Hugging Face：https://huggingface.co/zai-org/GLM-OCR

[3]在线体验链接：https://ocr.z.ai（懒人省力版）