GLM-OCR
GLM-OCRは、Z.aiによる2段階のドキュメントパーサーです。PP-DocLayoutV3がレイアウト領域とその読み順を検出し、0.9BのGLM-OCR認識器が各領域をテキスト、HTMLの表、LaTeXの数式として読み取ります。LibreYOLOは、両ネットワークを囲む公式SDKのパイプラインをocrタスク向けに移植しています。
- タスク
- ocr
- インストール
pip install "libreyolo[vlm]"- サポートティア
- 姉妹ティア、v1.8.0以降。独自のファクトリと契約を持つ、独立した製品インターフェースです。
- ライセンス
- コード:Apache-2.0、重み:MIT (GLM-OCR recognizer); Apache-2.0 (PP-DocLayoutV3 layout detector)。商用利用
インストール
GLM-OCRはLibreYOLOのVLM層に属し、vlm extraが必要です。両ネットワークはtransformersのネイティブクラスで読み込まれるため、transformers 5.3以降が必要です。
pip install "libreyolo[vlm]"推論
両ネットワークの重みは、初回使用時に固定された1つのミラーLibreYOLO/LibreGLMOCR0.9bからダウンロードされます。リモートコードは実行されません。
from libreyolo import LibreVLM model = LibreVLM("glm-ocr") # 初回使用時に重みをダウンロードresult = model.predict("page.png") # スキャンまたはレンダリングしたページ for label, text in zip(result.ocr.labels, result.ocr.texts): print(label, text[:60]) # 領域ごとに1ブロック、読み順print(result.ocr.markdown) # ページ全体をMarkdownでfrom libreyolo import LibreVLM # レイアウト検出を省略し、切り出し済みの表を読み取るmodel = LibreVLM("glm-ocr", use_layout_detection=False, prompt_label="table")result = model.predict("table.png")print(result.ocr.texts[0]) # HTMLの表from libreyolo import LibreVLM model = LibreVLM("glm-ocr")reply = model.chat("id_card.png", 'Extract as JSON: {"name": "", "date": ""}')print(reply)このファミリーはLibreVLM()、またはLibreGLMOCRクラスで読み込みます。Results.ocrは読み順でレイアウト領域ごとに1ブロックを保持します。texts、polygons(4点の四角形で表した軸に平行なボックス)、labels(text、table、formulaなどのレイアウトクラス)、そして公式SDKと同じ整形(タイトル、\tag{}による数式番号、ハイフネーションと箇条書きの修正)をしたmarkdownのページです。ヘッダー、フッター、ページ番号、脚注、サイドテキストはアップストリームと同じく除外され、画像とグラフは読み取られません。
Results.ocr.confは生成トークンの確率の幾何平均で、det_confはレイアウトスコアです。conf=は領域を絞り込みません。レイアウトはアップストリームのしきい値0.3を使い、layout_threshold=で変更できます。デコードはSDKに従い、貪欲法、繰り返しペナルティ1.1、新規トークン最大8192です。各クロップは、SDKが送るのと同じく認識の前にJPEGを経由します。image_format=Noneでこれを省略できます。
use_layout_detection=Falseとprompt_label=(text、table、formula)を指定すると、切り出し済みの要素を読み取ります。これはSDKに対応するものがないLibreYOLO独自の便利機能です。chat()はJSONによる情報抽出のプロンプトに対応します。
バリアント
サイズは0.9bの1つで、CogViTの視覚エンコーダーとGLM-0.5Bのデコーダーで構成されます。レイアウト段は800 pxで動作します。CUDAでは認識器をbf16(bf16非対応ならfp16)、レイアウト検出器をfp32で実行し、CPUとMPSでは両方をfp32で実行します。PDF入力、ポリゴンのクロップ、画像のエクスポート、ホスト型APIのクライアントは移植していません。
検証
val()はモデル自身のpredictを通じて共有のOCRバリデーターを実行します。
from libreyolo import LibreVLM model = LibreVLM("glm-ocr")metrics = model.val(data="ocr_dataset/") # 検出hmean、エンドツーエンドF1、1-NEDエクスポート
推論のみです。train()とexport()は例外を発生させます。
ライセンス
ダウンロードする特定の重みについて、Hugging Faceリポジトリのライセンスを確認してください。LibreYOLO orgの各チェックポイントにはライセンスが付与されており、同じファミリー内でも常に同一とは限りません。そのリポジトリが正式な情報源です。以下の概要は、このページを最後に検証した時点で適用されていた内容を示します。
これは関連するライセンスの説明であり、法的助言ではありません。商用上重要な場合は、自分でライセンスを読み、専門家の助言を受けてください。
- 原著作物
- GLM-OCR, Z.ai (zai-org)
- アップストリームのライセンス
- MIT (recognizer); Apache-2.0 (layout detector)
- アップストリームのソース
- github.com/zai-org/GLM-OCR
- LibreYOLOのコード
- MIT
- 重み
- MIT (GLM-OCR recognizer); Apache-2.0 (PP-DocLayoutV3 layout detector)、huggingface.co/LibreYOLOで再公開
- 解釈
- Both networks are under permissive licences that allow commercial and closed-source use. The GLM-OCR recognizer is MIT, as declared by its model card (upstream ships no license file or copyright line); keep the license notice with copies. The PP-DocLayoutV3 layout detector is Apache-2.0 (Copyright PaddlePaddle Authors): keep the license text and notices, and it grants a patent license. Both networks run through the Apache-2.0 Hugging Face Transformers classes; LibreYOLO ports only the document-parsing pipeline (layout post-processing, region crops, result formatting) from the GLM-OCR SDK at commit 0288f96bb9e78cb439883eaa725eeae90bd177c5, which is Apache-2.0 (libreyolo/models/glmocr/NOTICE), and the rest of the adapter is MIT. The weights are an unmodified, ungated mirror at LibreYOLO/LibreGLMOCR0.9b of zai-org/GLM-OCR (revision 2e85a62840ccac27daa451df36c736c4636b8628) with PaddlePaddle/PP-DocLayoutV3_safetensors (revision e4f489dc536556fc1be02b973ba06756e0d4a2ac) under layout/, shipping LICENSE and NOTICE.
GLM-OCR認識器の重みは、Z.aiのモデルカードの宣言どおりMITです。PP-DocLayoutV3レイアウト検出器はApache-2.0(PaddlePaddle Authors)で、LibreYOLOが移植したSDKのパイプラインもApache-2.0です。商用利用が可能です。重みはゲートされていないミラーです。
引用
@misc{duan2026glmocrtechnicalreport,
title={GLM-OCR Technical Report},
author={Shuaiqi Duan and Yadong Xue and Weihan Wang and Zhe Su and Huan Liu and Sheng Yang and Guobing Gan and Guo Wang and Zihan Wang and Shengdong Yan and Dexin Jin and Yuxuan Zhang and Guohong Wen and Yanfeng Wang and Yutao Zhang and Xiaohan Zhang and Wenyi Hong and Yukuo Cen and Da Yin and Bin Chen and Wenmeng Yu and Xiaotao Gu and Jie Tang},
year={2026},
eprint={2603.10910},
archivePrefix={arXiv},
primaryClass={cs.CL},
url={https://arxiv.org/abs/2603.10910},
}著者によるgithub.com/zai-org/GLM-OCR#citationの引用ブロックからコピーしています。