GLM-OCR - 高精度光学的文字認識

書類を写真に撮っても、そのままでは文字を検索しにくい。GLM-OCRは、画像やPDFを読んで文字・表・数式を取り出すAIモデルです。複雑なレイアウトの資料も扱うため、文字だけでなく「どこに何があるか」を見分ける仕組みを組み合わせています。

開発元は、画像を読む部分と言葉を出力する部分を組み合わせ、文書の配置分析と認識を段階的に行う方法を説明しています。モデル本体はMITライセンスで公開され、対応する実行環境ならローカルでも使えます。

専門用語が多い元の説明を、使い道から理解できるように整理しました。開発元の成績は特定の評価データでの結果です。実際の書類では読み間違いや表の崩れが起き得るので、重要な内容は必ず原本で確認してください。