Zhipu AI lance GLM-OCR, un modèle OCR compact de 0,9 milliard de paramètres pour les documents
Zhipu AI a dévoilé GLM-OCR, un modèle OCR multimodal compact de 0,9 milliard de paramètres conçu pour analyser des documents réels. Il gère les tableaux, les formules et l'extraction de champs, et la Multi-Token Prediction accélère le décodage d'environ 50 %. Le modèle peut s'exécuter en local via vLLM, SGLang et Ollama, et vise non seulement les démonstrations, mais aussi les usages en production.
Traité par IA depuis MarkTechPost ; édité par Hamidun News
Zhipu AI, avec des chercheurs de l'université Tsinghua, a présenté GLM-OCR, un modèle OCR multimodal de 0,9 milliard de paramètres destiné à analyser des documents réels. Le pari ne porte pas sur la taille maximale, mais sur l'équilibre entre qualité, vitesse et coût d'inférence.
Pourquoi l'OCR est difficile
L'OCR classique se débrouille depuis longtemps plutôt bien avec du texte propre sur des scans bien droits, mais les documents réels sont bien plus désordonnés. On y trouve mêlés des tableaux, des formules, des tampons, des champs manuscrits, des blocs de code, des colonnes et un ordre de lecture atypique. C'est sur ces cas que les pipelines classiques cassent : ils reconnaissent les caractères, mais perdent la structure de la page et le sens des liens entre les blocs.
Les grands modèles multimodaux améliorent la compréhension du document dans son ensemble, mais posent un autre problème : le coût et la vitesse. Si le modèle lit la page comme un système vision-langage ordinaire et génère sa réponse token par token, l'inférence devient chère et lente. En production, où il faut traiter factures, contrats, rapports et formulaires en flux continu, c'est une contrainte d'ingénierie, pas un détail académique.
Comment fonctionne GLM-OCR
GLM-OCR associe un encodeur visuel CogViT de 0,4 milliard de paramètres, un connecteur intermodal léger et un décodeur de langage GLM de 0,5 milliard de paramètres.
L'idée technique centrale est la Multi-Token Prediction. Au lieu de prédire strictement un token par étape, le modèle a été entraîné à en produire dix, et en inférence il en génère en moyenne 5,2 par étape. Selon les auteurs, cela apporte environ 50 % de débit en plus, sans forte hausse de la mémoire, grâce à un schéma de partage des paramètres.
Au niveau du système, le modèle ne fonctionne pas non plus en mode plat « lire toute la page d'un coup ». D'abord, PP-DocLayout-V3 découpe le document en zones sémantiques, puis GLM-OCR reconnaît les différentes zones en parallèle. Pour l'analyse de documents, la sortie est du Markdown et du JSON structurés. Pour le KIE, c'est-à-dire l'extraction de champs clés, l'image complète du document est fournie avec un prompt et le modèle génère directement un JSON selon un schéma donné.
- Découpe les pages en zones avant la reconnaissance
- Traite en parallèle les blocs détectés
- Renvoie du Markdown et du JSON structurés
- Prend en charge un mode KIE distinct pour l'extraction de champs
- Convient aussi bien à une API cloud qu'à une exécution locale
Ce que montrent les tests
Sur les benchmarks publics, les résultats du modèle sont solides, mais sans domination universelle. GLM-OCR a obtenu 94,6 sur OmniDocBench v1.5, 94,0 sur OCRBench pour la reconnaissance de texte, 96,5 sur UniMERNet pour les formules et 86,0 sur TEDS_TEST pour les tableaux. En extraction de champs, le modèle atteint 93,7 sur Nanonets-KIE et 86,1 sur Handwritten-KIE. C'est un bon ensemble de chiffres pour un modèle de cette taille, surtout face à des systèmes multimodaux nettement plus lourds.
Les auteurs formulent eux-mêmes des réserves importantes. Sur PubTabNet, GLM-OCR n'est pas premier : MinerU 2.5 y obtient 88,4 contre 85,2. Et dans la colonne des modèles de référence, Gemini-3-Pro affiche de meilleurs résultats en KIE. La formulation correcte est donc que GLM-OCR figure parmi les meilleurs des solutions ouvertes et compactes, mais ne surpasse pas tout le monde dans tous les scénarios.
Sur le plan pratique, le projet ne semble pas purement de laboratoire. Les auteurs annoncent la prise en charge de vLLM, SGLang et Ollama, ainsi que le fine-tuning via LLaMA-Factory. Le rapport indique un débit de 0,67 image par seconde et de 1,86 page PDF par seconde dans leur configuration de test. Pour le mode cloud, une API MaaS est proposée à 0,2 yuan par million de tokens : d'après les calculs de l'équipe, un yuan suffit pour environ 2000 scans A4 ou 200 PDF simples de dix pages.
Ce que cela signifie
Le marché de l'IA pour les documents s'éloigne de plus en plus des modèles universels géants au profit de systèmes spécialisés plus compacts, où comptent non seulement la qualité, mais aussi un coût prévisible. Pour les entreprises, c'est un bon signal : analyser factures, contrats, articles scientifiques et formulaires internes en production devient plus simple, sans dépenses excessives en matériel et en inférence.
- 19 nov. 2026Base de connaissances RAG : 100 Go de fichiers donnent 1,5 million de fragments et 9 heures de chargement
- 19 nov. 2026Des IA ont inscrit une école sur la liste des cibles militaires dans 70% des tests de Vals AI
- 19 nov. 2026Q.ANT et AMD font tourner un LLM de 1 milliard de paramètres avec une puce optique à la place de l'attention
- 19 nov. 2026Le mot « jeu vidéo » fait passer la propension de GPT-6 Astra à choisir des cibles de 6% à 92%
Questions clés sur cet article
Pourquoi l'OCR est difficile?
L'OCR classique se débrouille depuis longtemps plutôt bien avec du texte propre sur des scans bien droits, mais les documents réels sont bien plus désordonnés. On y trouve mêlés des tableaux, des formules, des tampons, des champs manuscrits, des blocs de code, des colonnes et un ordre de lecture atypique. C'est sur ces cas que les pipelines classiques cassent : ils reconnaissent les caractères, mais perdent la structure de la page et le sens des liens entre les blocs.
Comment fonctionne GLM-OCR?
GLM-OCR associe un encodeur visuel CogViT de 0,4 milliard de paramètres, un connecteur intermodal léger et un décodeur de langage GLM de 0,5 milliard de paramètres. L'idée technique centrale est la Multi-Token Prediction. Au lieu de prédire strictement un token par étape, le modèle a été entraîné à en produire dix, et en inférence il en génère en moyenne 5,2 par étape. Selon les auteurs, cela apporte environ 50 % de débit en plus, sans forte hausse de la mémoire, grâce à un schéma de partage des paramètres.
Que sait-on sur Ce que montrent les tests ?
Sur les benchmarks publics, les résultats du modèle sont solides, mais sans domination universelle. GLM-OCR a obtenu 94,6 sur OmniDocBench v1.5, 94,0 sur OCRBench pour la reconnaissance de texte, 96,5 sur UniMERNet pour les formules et 86,0 sur TEDS_TEST pour les tableaux. En extraction de champs, le modèle atteint 93,7 sur Nanonets-KIE et 86,1 sur Handwritten-KIE. C'est un bon ensemble de chiffres pour un modèle de cette taille, surtout face à des systèmes multimodaux nettement plus lourds.
Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews
Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.