【Gigazine】業界最高水準の文字認識AI「GLM-OCR」をZ.aiがオープンソースで公開、ローカル環境でも動作できるほど軽量

紙の表や数式を、後で編集・検索できるデータに変えたい。Z.aiの「GLM-OCR」は、画像やPDFから文字だけでなく文書の構造も読み取るためのAIモデルです。モデルは約9億パラメータで公開され、対応する環境なら手元で動かせます。

開発元は文書読み取りの評価データ「OmniDocBench V1.5」で高い成績を発表しています。表や数式、複雑なレイアウトの認識も対象です。モデル本体はMITライセンスで、文書の配置を解析する追加部品を組み合わせる場合は、その部品のライセンスも確認する必要があります。

「業界最高水準」は、特定のテスト条件での評価を示す言葉です。すべての書類で正確とは限りません。かすれた文字や特殊な書式では間違いもあり得るので、重要な数値や名前は元の画像と照らし合わせましょう。