Mis on GLM-OCR?
GLM-OCR on Z.ai ja Zhipu AI välja töötatud multimodaalne optilise märgituvastuse mudel. OCR tähendab tavaliselt pildil või dokumendis oleva teksti teisendamist masinloetavateks märkideks, kuid GLM-OCR on loodud laiemaks dokumentide mõistmise töövooks. See suudab tuvastada nii tavalist teksti kui ka matemaatilisi valemeid, tabeleid, vorme, kviitungeid, sertifikaate, pitsateid, palju koodi sisaldavaid dokumente ja käsitsi kirjutatud sisu.
Mudel kuulub Z.ai GLM-i mudelisarja kindlalt piiritletud liikmena, mitte üldotstarbelise vestlus- või arutlusmudelina. Selle peamine ülesanne on visuaalsete dokumentide tõlgendamine ja kasutatava digitaalse sisu tagastamine. Olenevalt ülesandest ja API konfiguratsioonist võib väljund olla lihttekst, Markdown, pildilingid, HTML-vormingus tabelisisu või võtme-väärtuse paaride eraldamiseks mõeldud struktureeritud JSON.
Ligikaudu 0,9 miljardi parameetriga GLM-OCR on märksa väiksem kui paljud üldotstarbelised visuaal-keele mudelid. See kompaktne suurus on oluline suure mahuga OCR-i, väiksemate ressurssidega juurutuste ja rakenduste puhul, kus dokumentide läbilaskevõime on laiapõhjalisest vestlusvõimest tähtsam.
Kuidas GLM-OCR dokumente töötleb
GLM-OCR ühendab mitu komponenti ega tugine ainult keeledekoodrile. Teatatud arhitektuur hõlmab CogViT visuaalkodeerijat, kerget ristmodaalset ühenduskihti ja GLM-0.5B keeledekoodrit. Visuaalkodeerija uurib dokumendipilti, ühenduskiht edastab visuaalse teabe keelekomponendile ning dekooder koostab soovitud teksti- või struktureeritud tulemuse.
Laiem ametlik OCR-i töövoog kasutab küljenduse analüüsiks ka mudelit PP-DocLayout-V3. Küljenduse analüüs tuvastab enne tuvastamise rakendamist sellised piirkonnad nagu pealkirjad, lõigud, tabelid, joonised, valemid ja vormiväljad. Seejärel toimub paralleelne tuvastamine, mis aitab selgitada, miks GLM-OCR on suunatud struktureeritud dokumentidele, mitte ainult üksikutele tekstiridadele.
See erinevus on praktiliste juurutuste puhul oluline. Põhituvastusmudel ja täielik dokumenditöötluse toru ei pruugi olla üks ja sama. Avatud kaaludega mudelit lokaalselt kasutavad meeskonnad võivad vajada küljenduse tuvastamise, piirkondade käsitlemise, eeltöötluse, pakkimise ja väljundi vormindamise eraldi seadistamist. Seega hõlmab täielik töövoog enamat kui mudeli kaalude allalaadimist ja pildi saatmist dekoodrile.
Täpsus ja läbilaskevõime
Z.ai teatab OmniDocBench V1.5 testis tulemuseks 94,62 ning väidab, et GLM-OCR saavutas turuletoomisel üldarvestuses esikoha. Tehnilistes materjalides teatatakse samuti tugevatest tulemustest tekstituvastuses, matemaatiliste valemite tuvastamises, tabelite parsimises ja võtmeinfo eraldamises. Need on teenusepakkuja või projekti väited ning neid tuleks tõlgendada konkreetse võrdlustesti dokumentide, mõõdikute ja katsetingimuste kontekstis, mitte iga dokumenditüübi puhul kehtiva garantiina.
Z.ai teatab oma kindlaksmääratud testitingimustes PDF-dokumentide töötlemiskiiruseks ligikaudu 1,86 lehekülge sekundis ja piltide puhul 0,67 pilti sekundis. Tegelik jõudlus sõltub pildi eraldusvõimest, dokumendi keerukusest, riistvarast, pakkimisest, eeltöötlusest, ümbritsevast küljenduse töötluse torust ning sellest, kas kasutatakse hostitud API-t või lokaalset juurutust.
Praktiline kompromiss on lihtne: GLM-OCR loobub üldotstarbelise keele- ja arutlusvõime laiusest väiksema, dokumendituvastusele keskenduva mudeli kasuks. Töökoormuse puhul, milles domineerivad arved, skannitud vormid, tabelid või PDF-id, võib selline spetsialiseerumine olla kasulikum kui maksta palju suurema mudeli eest, mille võimeid rakendus ei vaja.
Toetatud sisendid ja väljundvormingud
Hostitud GLM-OCR-i teenus toetab PDF-faile ja levinud pildivorminguid, sealhulgas JPG-d ja PNG-d. Z.ai dokumentatsiooni kohaselt on ühe pildi maksimaalne suurus 10 MB, PDF-i maksimaalne suurus 50 MB ning toetatud on kuni 100 leheküljega dokumendid. Need piirangud kehtivad dokumenteeritud hostitud töövoole ning neid tuleks enne suurte või ebatavaliselt keerukate failide saatmist kontrollida.
Esitatud dokumentatsiooni kohaselt toetab mudel hiina, inglise, prantsuse, hispaania, vene, saksa, jaapani, korea ja teisi keeli. Tuvastamise kvaliteet võib varieeruda sõltuvalt keelest, fondist, skannimise kvaliteedist, käsikirjast, lehekülje küljendusest ja lähte dokumendis esineva visuaalse müra hulgast.
GLM-OCR võib tagastada mitut tüüpi väljundit:
- Lihttekst põhiliseks transkribeerimiseks ja otsinguindekseerimiseks.
- Markdown loetava dokumendistruktuuri säilitamiseks.
- HTML-vormingus tabelisisu, kui tabeli küljendus tuleb säilitada.
- Pildilingid dokumendipiirkondadele või seotud visuaalsele sisule.
- Struktureeritud JSON selliste väljade eraldamiseks nagu arvesummad, nimed, kuupäevad, identifikaatorid või muu võtmeinfo.
Selle väljund on tekst või struktureeritud andmed, mitte uued pildid, heli või video. Mudeli kirje kohaselt toetab see teksti- ja struktureeritud väljundit, kuid ei kinnita eraldi üldotstarbelise JSON-režiimi olemasolu garantiidega, mis oleksid võrreldavad laia kasutusalaga keelemudeli struktureeritud väljundi süsteemiga.
Hind ja juurdepääs
Dokumenteeritud hostitud API hind on 0,03 dollarit miljoni sisendmärgi ja 0,03 dollarit miljoni väljundmärgi kohta. See on GLM-OCR-i API-s märgitud hind, mitte kogu Z.ai tarbijateenuse tellimuse hind. Dokumenditöötluse tegelik maksumus sõltub sellest, kuidas teenus töötleb esitatud sisu ja loodud tulemuse märkideks.
GLM-OCR on välja antud ka avatud kaaludega mudelina MIT-litsentsi alusel. Z.ai nimetab levikanalitena Hugging Face'i ja ModelScope'i ning mudelit saab juurutada selliste tööriistade ja raamistikudega nagu vLLM, SGLang, Ollama ja Transformers. Ise majutamine võib pakkuda suuremat kontrolli andmekäitluse, samaaegsuse ja taristukulude üle, kuid sel juhul vastutab kasutaja ühilduva riistvara, paigaldamise, skaleerimise, seire ja toetava küljenduse analüüsi toru eest.
Täielik ametlik OCR-i töövoog hõlmab mudelit PP-DocLayout-V3. Selle litsentsi- ja juurutustingimusi tuleks vaadelda GLM-OCR-i mudelikaaludega seotud MIT-litsentsist eraldi. See on eriti oluline juhul, kui tootmissüsteem kasutab kogu toru, mitte ainult tuvastusmudelit.
Võimekus ja piirangud
GLM-OCR on kõige tugevam siis, kui sisendiks on visuaalne dokument ja soovitud tulemuseks täpne transkriptsioon või struktureeritud eraldamine. See võib aidata töödelda skannitud aruandeid, kviitungeid, arveid, sertifikaate, vorme, isikut tõendavaid dokumente, ekraanipilte, akadeemilisi lehekülgi, tehnilist materjali ja käsitsi kirjutatud märkmeid. Samuti sobib see dokumentide teisendamiseks ühtlustatud sisuks otsingu, andmebaaside või otsinguga täiendatud genereerimise süsteemide jaoks.
See ei ole loodud üldotstarbelise assistendi asendamiseks. Esitatud uuringud ei kirjelda GLM-OCR-i avatud vestluse, täiustatud arutluse, tarkvaraarenduse, veebotsingu, heli- või videotöötluse ega pildiloome mudelina. Selle arutlus- ja kodeerimisvõime skoorid on toimetuslikud võrdlevad hinnangud, mitte teenusepakkuja avaldatud võrdlustesti tulemused. Praktikas võib mudel dokumendist koodi eraldada, kuid see ei muuda seda kodeerimisassistendiks; samuti võib see matemaatilise valemi ära tunda, kuid see ei tõenda täiustatud matemaatilise arutluse võimet.
Mudeli kirje kohaselt toetab see pildisisendit ja tekstiväljundit, kuid ei toeta heli- ega videosisendit ega otsest pildi-, heli- või videoväljundit. Samuti on tööriistade kasutamine märgitud mittetoetatuks. Esitatud teabe põhjal ei ole kinnitatud kontekstiakna suurust, väljundi maksimaalset märgipiirangut, voogedastuse spetsifikatsiooni, vahemällu salvestamise funktsiooni ega pakkimis-API garantiid. Seetõttu ei tohiks rakendused eeldada, et GLM-OCR-i API käitub samamoodi nagu üldotstarbelise keelemudeli API.
Peamised tugevused ja piirangud
Millistes valdkondades on GLM-OCR tugev
- Dokumentidele spetsialiseerumine: Mudel on suunatud teksti, tabelite, valemite, käsikirja, küljenduse ja võtmeinfo töötlemisele, mitte iga pildi käsitlemisele üldise visuaalse küsimusena.
- Kompaktne juurutus: Ligikaudu 0,9 miljardi parameetriga mudel sobib meeskondadele, kes otsivad väiksemat lokaalset mudelit või väiksema kuluga suure mahuga OCR-komponenti.
- Struktureeritud tulemused: Markdown, HTML-tabelid ja JSON-laadne eraldamine võivad vähendada pärast tuvastamist vajalikku lisatööd.
- Avatud kaalude paindlikkus: MIT-litsentsiga mudeli saab alla laadida ja lokaalselt juurutada mitme toetatud raamistiku abil.
- Hallatud ja ise hostitud võimalused: Meeskonnad saavad lihtsamaks lõimimiseks kasutada hostitud API-t või hallata oma toru, kui andmekontroll ja taristu kohandamine on prioriteedid.
Piirangud, millega arvestada
- See ei ole üldotstarbeline assistent: See ei ole mõeldud laiapõhjaliseks arutluseks, kodeerimiseks, vestluseks, veebotsinguks ega meedia loomiseks.
- Toru keerukus: Kvaliteetne dokumentide parsimine võib lisaks põhimudelile vajada küljenduse tuvastamist ja muid komponente.
- Dokumendipiirangud: Hostitud teenuse dokumentatsioon määrab ühe pildi suuruseks 10 MB, PDF-i suuruseks 50 MB ja ühe dokumendi pikkuseks kuni 100 lehekülge.
- Üldise keelemudeli piirangud on teadmata: Esitatud uuringus ei tuvastatud konteksti pikkust ega väljundi maksimaalset märgipiirangut.
- Tegelik täpsus võib varieeruda: Võrdlustesti tulemused ja teatatud läbilaskevõime ei taga sama jõudlust kehva kvaliteediga skannide, ebatavalise küljenduse, tiheda käsikirja või spetsiaalsete vormide puhul.
- Ise hostimisega kaasnev töövastutus: Lokaalne juurutus nõuab sobivat riistvara ning küljenduse analüüsi ja järeldamise taristu haldamist.
Millal valida GLM-OCR?
Vali GLM-OCR siis, kui põhiprobleem on visuaalsete dokumentide teisendamine usaldusväärseks tekstiks või struktureeritud kirjeteks. See on eriti mõistlik valik arvete ja kviitungite andmete eraldamiseks, otsitavate arhiivide loomiseks, tabelite taastamiseks, valemite transkribeerimiseks, vormide töötlemiseks, dokumentide süsteemi sisestamiseks ning OCR-teenuste jaoks, mis peavad töötlema paljusid faile ilma väga suure visuaal-keele mudeli juurutamiseta.
Hostitud API on lihtsam valik, kui meeskond soovib vältida mudelitaristu haldamist. Avatud kaaludega väljalase on atraktiivsem siis, kui dokumendid peavad jääma kontrollitud keskkonda, kui samaaegsust tuleb lokaalselt häälestada või kui meeskond soovib lõimida tuvastamise oma eeltöötluse ja küljenduse töötluse toruga.
Teist tüüpi visuaal-keele mudel võib olla sobivam juhul, kui rakendus vajab laiapõhjalist visuaalset küsimustele vastamist, pildi kohta mitmeastmelist arutlust, vestluslikku suhtlust, kodeerimisabi, veebiga ühendatud töövooge või pildiloome võimet. Suurem üldotstarbeline mudel võib olla eelistatav ka siis, kui OCR on vaid üks väike osa laiemast assistendist. Seevastu võib lihtsamast traditsioonilisest OCR-mootorist piisata puhta üheveerulise trükiteksti puhul ning seda võib olla lihtsam hallata, kui tabelid, valemid, käsikiri ja keerukad küljendused pole olulised.
Kokkuvõte
GLM-OCR-i tuleks mõista eelkõige suunatud dokumendituvastuse komponendina, mitte väikese üldotstarbelise vestlusrobotina. Selle kompaktse arhitektuuri, küljendust arvestava töötluse, struktureeritud väljundvormingute, teatatud võrdlustestitulemuste, hostitud API ja avatud kaaludega juurutuse kombinatsioon muudab selle dokumendirohkete rakenduste jaoks asjakohaseks. Peamine otsus on, kas selle spetsialiseeritud OCR-võimekus vastab töökoormusele: piltidest ja PDF-idest teabe eraldamiseks ning korrastamiseks pakub see suurematele multimodaalsetele mudelitele selget kiirusele ja kulule suunatud alternatiivi; üldise arutluse või interaktiivse abi puhul sobib paremini teist tüüpi mudel.