GLM-OCR
複雑な文書を読み取り、画像内の文字をテキストに変換するマルチモーダルOCRモデル。正確さと速さを重視しています。
再現できる小さなissueを選び、AIコーディングエージェントで直してみましょう。
Xで共有ライセンス: Apache-2.0
概要
GLM-OCRは、複雑な文書を理解するためのマルチモーダルOCRモデルです。視覚エンコーダー、軽量な接続部、GLM-0.5B言語デコーダーを組み合わせ、レイアウト解析の後に並列で認識する2段階のパイプラインを使います。数式や表を含む文書画像をテキスト化でき、vLLM、SGLang、Ollamaで動かせます。
主な特長
- レイアウト解析と並列認識の2段階構成
- 数式、表、情報抽出に対応
- パラメータ数は0.9Bのみ
- vLLM、SGLang、Ollamaで展開可能
- 複雑な表、コード多めの文書、印影を想定
こんな人・用途に
現実の複雑な文書をテキストに変換したく、自前で運用できるコンパクトなモデルを探しているチーム向けです。
- アップストリーム
- zai-org/GLM-OCR
- GitHubのフォーク
- Guo-astro/GLM-OCR
- アップストリームのスター数
- 7.6k
- カテゴリ
- ドキュメント・メディア・コンテンツ
- 言語
- Python
- ライセンス
- Apache-2.0
- フォーク日
- 2026-03-17
- 同期状態
- 同期済み最終同期 2026-11-09
同じカテゴリ: ドキュメント・メディア・コンテンツ
LuxTTSは参照音声から声を再現して、明瞭な48 kHz音声を生成する軽量な音声合成モデルです。Python、Colab、Hugging Face Spacesで利用できます。
フォーク日 2026-10-19最終同期 2026-11-09ライセンス: Apache-2.0ドキュメント・メディア・コンテンツGitHub
Markdownノートを作成、整理、検索、共有できるセルフホスト型の知識ベースです。オフライン利用やチームワークスペースに対応し、個人やチームの文書管理に使えます。
フォーク日 2026-10-19最終同期 2026-11-09ライセンス: MITドキュメント・メディア・コンテンツGitHub
Textusは、AIライティングアシスタントを備えた無料のオープンソースMarkdownエディターです。macOS、Windows、Linuxで文章やメモを書けます。
フォーク日 2026-10-18最終同期 2026-11-09ライセンス: MITドキュメント・メディア・コンテンツGitHub
Clypraは、映像をフレーム単位で編集できる無料のオープンソース動画編集ソフトです。RustとGPUを活用してデコードと描画を行います。
フォーク日 2026-10-14最終同期 2026-11-09ライセンス: MITドキュメント・メディア・コンテンツGitHub