概要
GLM-OCRは、文書の光学文字認識と解析に特化した、約9億パラメータの軽量マルチモーダルモデルです。CogViT視覚エンコーダーとGLM-0.5B言語デコーダーを組み合わせています。モデルはMITライセンス、公式リポジトリのコードはApache License 2.0で公開されています。(github.com)
能力と用途
- 写真、スクリーンショット、スキャン文書などから、本文、手書き文字、コード、印影、数式、複雑な表を認識できます。日本語を含む複数言語に対応します。(docs.bigmodel.cn)
- 文書解析、帳票からの情報抽出、構造化JSONの生成、文書の検索拡張生成(RAG)への取り込みなどに利用できます。(docs.bigmodel.cn)
- 公式APIのほか、vLLM、SGLang、Ollamaを使った自己ホスティングにも対応します。(github.com)
制限と注意点
- 公式APIの入力はPDFまたはJPG・PNG画像です。画像は1枚10 MB以下、PDFは50 MB以下、最大100ページです。(docs.bigmodel.cn)
- 中国国内の料金表に記載されたコンテキスト長は32Kです。認識精度や処理速度は文書の品質、ネットワーク、同時実行数などに左右されるため、重要な結果は確認してください。(docs.bigmodel.cn)
API料金
以下は各公式プラットフォームの通常の従量料金です。確認日はいずれも2026年11月16日です。
- 中国国内・BigModel:CNY 入力は100万トークン当たり0.2元、出力も100万トークン当たり0.2元。料金表ではキャッシュヒット非対応とされています。国内公式料金表 (docs.bigmodel.cn)
- 国際・Z.AI:USD 入力は100万トークン当たり0.03米ドル、出力も100万トークン当たり0.03米ドル。キャッシュ入力の料金は料金表に記載されていません。国際公式料金表 (docs.z.ai)
両料金は別々のプラットフォームの公表価格であり、為替換算による比較ではありません。
公開日と公式資料
公式の製品リリース記録では、GLM-OCRの提供開始日は2026年2月3日です。一方、公式研究記事には2026年2月2日16:00と表示されています。(docs.bigmodel.cn)