Zum Hauptinhalt springen
ToolPotion
KI-Berater
Einreichen

GLM-OCR

KI-ModelleKI-Modelle & LLMsOpen Source · Web

GLM-OCR ist ein multimodales OCR-Modell, das für das Verständnis komplexer Dokumente entwickelt wurde. Es verbessert die Trainingseffizienz und die Erkennungsgenauigkeit durch den Einsatz von Multi-Token-Vorhersageverlust und stabiler Verstärkungslernen. Das Modell ist für reale Szenarien optimiert und bietet eine robuste Leistung über verschiedene Dokumentenlayouts hinweg.

Modell ansehen
Teilen
Modell ansehen
Teilen

GLM-OCR ist ein anspruchsvolles multimodales OCR-Modell, das für das Verständnis komplexer Dokumente entwickelt wurde. Basierend auf der GLM-V Encoder-Decoder-Architektur führt es innovative Techniken wie Multi-Token-Vorhersage (MTP) Verlust und stabiles Vollaufgaben-Verstärkungslernen ein. Diese Fortschritte verbessern erheblich die Trainingseffizienz, die Erkennungsgenauigkeit und die Generalisierungsfähigkeiten.

Weiterlesen

Das Modell integriert den CogViT visuellen Encoder, der auf umfangreichen Bild-Text-Daten vortrainiert wurde, und einen leichten cross-modalen Connector mit effizientem Token-Downsampling. Es verfügt auch über einen GLM-0.5B Sprachdecoder. Zusammen bilden diese Komponenten eine zweistufige Pipeline zur Layout-Analyse und parallelen Erkennung basierend auf PP-DocLayout-V3, die eine robuste und qualitativ hochwertige OCR-Leistung über verschiedene Dokumentenlayouts gewährleistet.

GLM-OCR erzielt erstklassige Ergebnisse mit einem Score von 94,62 auf OmniDocBench V1.5 und belegt den ersten Platz insgesamt. Es glänzt in wichtigen Benchmarks zum Verständnis von Dokumenten, einschließlich der Formel- und Tabellen-Erkennung sowie der Informationsbeschaffung. Das Modell ist für reale Szenarien optimiert und bietet eine robuste Leistung bei komplexen Tabellen, codeintensiven Dokumenten, Siegeln und anderen herausfordernden Layouts.

Mit nur 0,9B Parametern unterstützt GLM-OCR die Bereitstellung über vLLM, SGLang und Ollama, wodurch die Inferenzlatenz und die Rechenkosten gesenkt werden. Dies macht es ideal für Dienste mit hoher Parallelität und Edge-Bereitstellungen. Das Modell ist vollständig Open Source und mit einem umfassenden SDK und einer Inferenz-Toolchain ausgestattet, die eine einfache Installation, einen Einzeiler-Aufruf und eine reibungslose Integration in bestehende Produktionspipelines ermöglicht.

Das offizielle SDK wird für Dokumentenverarbeitungsaufgaben empfohlen und integriert PP-DocLayoutV3 für die Layout-Analyse und die Generierung strukturierter Ausgaben. Dies reduziert den Ingenieuroverhead, der erforderlich ist, um End-to-End-Dokumentenintelligenzsysteme zu erstellen. Das GLM-OCR-Modell wird unter der MIT-Lizenz veröffentlicht, wobei die vollständige OCR-Pipeline, die PP-DocLayoutV3 integriert, unter der Apache-Lizenz 2.0 lizenziert ist.

  • KategorieKI-Modelle & LLMs
  • PreismodellOpen Source
  • BereitstellungCloud
  • PlattformenWeb

  • Multimodales OCR-Modell

  • GLM-V Encoder-Decoder-Architektur

  • Multi-Token-Vorhersageverlust

  • Stabiles Verstärkungslernen

  • CogViT visueller Encoder

  • GLM-0.5B Sprachdecoder

  • Zweistufige Pipeline

  • Erstklassige Leistung

  1. Zugangsseite: Besuchen Sie die GLM-OCR-Seite auf Hugging Face

  2. Modell laden: Laden Sie das GLM-OCR-Modell herunter

  3. Umgebung konfigurieren: Richten Sie die erforderliche Umgebung für das Modell ein

  4. Integrieren: Verwenden Sie das SDK für eine nahtlose Integration

  • Dokumentenverarbeitung
  • Informationsbeschaffung
  • Tabellenerkennung
  • Formelerkennung
  • Layout-Analyse

GLM-OCR Bewertungen

Wird geladen...

Beliebte KI-Tools wie GLM-OCR

LayoutLM

KI-GitHub-Repos

LayoutLM ist ein multimodales Vortrainingsmodell für das Verständnis von visuell reichhaltigen Dokumenten und die Extraktion von Informationen. Es kombiniert Text-, Layout- und…

KI-Modelle & LLMs
Tool ansehen

KI-GitHub-Repos

Multimodales Vortrainingsmodell für das Verständnis von visuell reichhaltigen Dokumenten und die Extraktion von Informationen. Es kombiniert Text-, Layout- und…LayoutLM ist ein multimodales Vortrainingsmodell für das Verständnis von visuell reichhaltigen Dokumenten und die Extraktion von Informationen. Es kombiniert Text-, Layout- und…

KI-Modelle & LLMs
Top 250 KI-GitHub-Repos ansehen

TrOCR Modell

KI-Modelle

TrOCR ist ein Encoder-Decoder-Modell, das für Aufgaben der optischen Zeichenerkennung (OCR) entwickelt wurde. Es nutzt eine auf Transformatoren basierende Architektur, um Bilder…

KI-Modelle & LLMs
Tool ansehen

KI-Modelle

Encoder-Decoder-Modell, das für Aufgaben der optischen Zeichenerkennung (OCR) entwickelt wurde. Es nutzt eine auf Transformatoren basierende Architektur, um Bilder…TrOCR ist ein Encoder-Decoder-Modell, das für Aufgaben der optischen Zeichenerkennung (OCR) entwickelt wurde. Es nutzt eine auf Transformatoren basierende Architektur, um Bilder…

KI-Modelle & LLMs
Top 5 KI-Modelle ansehen

GOT-OCR2.0 ist ein fortschrittliches OCR-Modell, das für eine effiziente Texterkennung entwickelt wurde. Es nutzt einen einheitlichen End-to-End-Ansatz, um Genauigkeit und…

KI-Modelle & LLMs
Tool ansehen

Fortschrittliches OCR-Modell, das für eine effiziente Texterkennung entwickelt wurde. Es nutzt einen einheitlichen End-to-End-Ansatz, um Genauigkeit und…GOT-OCR2.0 ist ein fortschrittliches OCR-Modell, das für eine effiziente Texterkennung entwickelt wurde. Es nutzt einen einheitlichen End-to-End-Ansatz, um Genauigkeit und…

KI-Modelle & LLMs
Top 5 KI-Modelle ansehen

RolmOCR

KI-Modelle

RolmOCR von Reducto AI ist ein Open-Source-OCR-Tool, das eine schnellere Verarbeitung und einen geringeren Speicherverbrauch im Vergleich zu seinem Vorgänger, olmOCR, bietet. Es…

KI-Modelle & LLMs
Tool ansehen

KI-Modelle

RolmOCR von Reducto AI ist ein Open-Source-OCR-Tool, das eine schnellere Verarbeitung und einen geringeren Speicherverbrauch im Vergleich zu seinem Vorgänger, olmOCR, bietet. Es…

KI-Modelle & LLMs
Top 5 KI-Modelle ansehen

Florence-2 ist ein fortschrittliches Vision-Grundlagenmodell von Microsoft, das für eine Vielzahl von Vision- und Vision-Sprachaufgaben entwickelt wurde. Es verwendet einen…

KI-Modelle & LLMs
Tool ansehen

Fortschrittliches Vision-Grundlagenmodell von Microsoft, das für eine Vielzahl von Vision- und Vision-Sprachaufgaben entwickelt wurde. Es verwendet einen…Florence-2 ist ein fortschrittliches Vision-Grundlagenmodell von Microsoft, das für eine Vielzahl von Vision- und Vision-Sprachaufgaben entwickelt wurde. Es verwendet einen…

KI-Modelle & LLMs
Top 5 KI-Modelle ansehen

Llama-3.2-11B-Vision-Instruct ist ein multimodales KI-Modell, das für visuelle Erkennung, Bildverständnis und Bildbeschriftung entwickelt wurde. Es wurde von Meta entwickelt und…

KI-Modelle & LLMs
Tool ansehen

Multimodales KI-Modell, das für visuelle Erkennung, Bildverständnis und Bildbeschriftung entwickelt wurde. Es wurde von Meta entwickelt und…Llama-3.2-11B-Vision-Instruct ist ein multimodales KI-Modell, das für visuelle Erkennung, Bildverständnis und Bildbeschriftung entwickelt wurde. Es wurde von Meta entwickelt und…

KI-Modelle & LLMs
Top 5 KI-Modelle ansehen

LLaVA

KI-Modelle

LLaVA ist ein großes multimodales Modell, das einen Vision Encoder mit einem Sprachmodell für allgemeine visuelle und sprachliche Verständnisfähigkeiten kombiniert. Es zeichnet…

KI-Modelle & LLMs
Tool ansehen

KI-Modelle

Großes multimodales Modell, das einen Vision Encoder mit einem Sprachmodell für allgemeine visuelle und sprachliche Verständnisfähigkeiten kombiniert. Es zeichnet…LLaVA ist ein großes multimodales Modell, das einen Vision Encoder mit einem Sprachmodell für allgemeine visuelle und sprachliche Verständnisfähigkeiten kombiniert. Es zeichnet…

KI-Modelle & LLMs
Top 5 KI-Modelle ansehen

Llama-4-Scout-17B-16E-Instruct ist ein multimodales KI-Modell, das von Meta entwickelt wurde. Es nutzt eine Mischung-von-Experten-Architektur, um fortschrittliche Text- und…

KI-Modelle & LLMs
Tool ansehen

Multimodales KI-Modell, das von Meta entwickelt wurde. Es nutzt eine Mischung-von-Experten-Architektur, um fortschrittliche Text- und…Llama-4-Scout-17B-16E-Instruct ist ein multimodales KI-Modell, das von Meta entwickelt wurde. Es nutzt eine Mischung-von-Experten-Architektur, um fortschrittliche Text- und…

KI-Modelle & LLMs
Top 5 KI-Modelle ansehen
1 von 8