【大模型 OCR】GLM-OCR 使用教程：从入门到部署

概述：

GLM-OCR 是智谱 AI 推出的一款轻量级、高性能的专业 OCR（光学字符识别）模型，参数仅 0.9B，却在多个文档理解基准测试中达到业界领先水平。它支持文本、表格、公式、手写体、多语言等多种复杂场景的识别，并提供灵活的部署方式，适用于从云端快速验证到本地高并发推理、再到边缘设备嵌入式运行的各类需求。

本教程将带你一步步掌握 GLM-OCR 的使用方法，涵盖云端 API 调用和三种主流本地部署方案（Ollama / vLLM / SGLang），帮助你根据实际业务场景选择最适合的方式。

一、准备工作

注册账号并获取 API Key（仅云端 API 需要）
访问智谱 AI 开放平台
登录或注册账号
进入「API Keys」管理页面，创建一个新的 API 密钥

API-key 注册链接

二、方式一：云端 API 部署（最快上手）

适用场景：快速验证效果、小规模调用、无服务器运维能力。

步骤 1：安装 SDK

bash 复制代码

pip install zai-sdk

步骤 2：编写调用代码

python 复制代码

from zai import ZaiClient

# 初始化客户端
client = ZaiClient(api_key="your-api-key-here")

# 支持 URL 或 Base64 编码的图片/PDF
image_url='https://img0.baidu.com/it/u=2804101985,3835295807&fm=253&fmt=auto&app=138&f=JPEG?w=800&h=1119'


# 调用 GLM-OCR 布局解析接口
response = client.layout_parsing.create(
    model="glm-ocr",
    file=image_url
)

# 打印识别结果（默认为 Markdown 格式）
print(response.md_results)

python 复制代码

本地图片：
import base64
with open("invoice.jpg", "rb") as f:
    b64_data = base64.b64encode(f.read()).decode()
resp = client.layout_parsing.create(
    model="glm-ocr",
    file=f"data:image/jpeg;base64,{b64_data}"
)

print(response.md_results)

方式二：Ollama 一键部署（本地党福音）

python 复制代码

# 直接运行
ollama run glm-ocr

# 识别图片（拖拽图片到终端自动填充路径）
ollama run glm-ocr "Text Recognition: ./image.png"

方式三：vLLM 部署（生产环境推荐）

python 复制代码

# 安装 vLLM
pip install -U vllm --extra-index-url https://wheels.vllm.ai/nightly

# 安装 transformers（需要源码版本）
pip install git+https://github.com/huggingface/transformers.git

# 启动服务
vllm serve zai-org/GLM-OCR --allowed-local-media-path / --port 8080

开源与在线体验1.开源地址

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

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

2.模型API智谱开放平台：

https://docs.bigmodel.cn/cn/guide/models/vlm/glm-ocr

3.在线体验Z.ai：

https://ocr.z.ai