جی‌ال‌ام اوسی‌آر (آفلاین)

Q: متن فارسی را میخواند؟

فارسی جزو ۸ زبان رسمی نیست و گزارش فنی هم دربارهٔ زبانهای کمداده هشدار داده است. یک نسخهٔ فاینتیون فارسی غیررسمی در هاگینگفیس هست که دقتش سنجیده نشده. برای فارسی، Qwen3-VL که Qwen دقت فارسیاش را گزارش کرده، انتخاب مطمئنتری است.

Q: واقعاً آفلاین است؟

خود مدل بله. SDK در تنظیم پیشفرض به سرویس ابری وصل میشود و مدل چیدمان را هم بار اول از هاگینگفیس میگیرد؛ بعد از تنظیم، کاملاً آفلاین کار میکند.

GLM-OCR (offline)

★★★★★★★★★★۳٫۸

هوش مصنوعی آفلاین ابزارهای متنپلن رایگانAPIاجرای آفلاین

راهنمای نصب و اجرا ↓مشاهده سایت ↗

رایگان؛ وزن‌ها با مجوز MIT دانلود می‌شوند. هزینهٔ واقعی سخت‌افزار و برق است.

مدل OCR سبک Z.ai با ۰٫۹ میلیارد پارامتر که اسکن و PDF را همراه جدول و فرمول به Markdown و JSON تبدیل می‌کند، حتی بدون کارت گرافیک. مجوز MIT؛ فارسی جزو زبان‌های رسمی‌اش نیست.

اجرا روی سیستم خودتان

این مدل را یک بار دانلود می‌کنید و بعد بدون اینترنت روی لپ‌تاپ، کامپیوتر یا سرور خودتان اجرایش می‌کنید.

بعد از نصب، بدون اینترنت
وزن‌های باز
MIT — استفادهٔ تجاری آزاد
فارسی: نامعلوم
خط فرمان
API

خود مدل پس از دانلود آفلاین است. در SDK، حالت MaaS به‌طور پیش‌فرض روشن است و فایل‌ها را به open.bigmodel.cn می‌فرستد؛ آن را خاموش کنید. مدل چیدمان PP-DocLayoutV3 هم بار اول از هاگینگ‌فیس دانلود می‌شود.

استفادهٔ تجاری، تغییر و بازتوزیع آزاد است؛ فقط متن مجوز MIT و نام صاحب حق را همراه نسخه نگه دارید. کد SDK و مدل چیدمان PP-DocLayoutV3 مجوز Apache 2.0 دارند.

نسخه‌ها و سخت‌افزار لازم

0.9B۹۰۰Mطول متن ۱۲۸ هزار توکن
حافظهٔ لازم:
کارت گرافیک ۳ گیگ یا رم ۵ گیگ
ollama run glm-ocr
برچسب پیش‌فرض Ollama همان نسخهٔ bf16 (۲٫۲ گیگابایت) است و نسخهٔ q8_0 (۱٫۶ گیگابایت) سبک‌تر است. بدون کارت گرافیک هم اجرا می‌شود. حداقل حافظه برآوردی است.

نصب و اجرا

۱
Ollama را نصب کنیدلینوکس
curl -fsSL https://ollama.com/install.sh | sh
در ویندوز و مک، برنامهٔ نصب را از ollama.com/download بگیرید.
۲
یک عکس یا اسکن را به متن تبدیل کنید
ollama run glm-ocr Text Recognition: ./scan.png
حدود ۲٫۲ گیگابایت دانلود. برای جدول Table Recognition: و برای فرمول Formula Recognition: بنویسید.
۳
برای PDF چندصفحه‌ای، SDK رسمی را نصب کنید
pip install "glmocr[selfhosted]"
پیش از اجرا، در config.yaml مقدار maas.enabled را false کنید؛ وگرنه فایل‌ها به سرور ابری ژیپو فرستاده می‌شوند.
۴
روی سرور، مدل را با vLLM سرو کنیدلینوکس
vllm serve zai-org/GLM-OCR --port 8080 --speculative-config '{"method": "mtp", "num_speculative_tokens": 3}' --served-model-name glm-ocr
vLLM نسخهٔ 0.19.0 یا جدیدتر و transformers نسخهٔ 5.3.0 یا جدیدتر لازم است؛ SDK به‌طور پیش‌فرض به همین پورت ۸۰۸۰ وصل می‌شود.
۵
اسناد را دسته‌ای تبدیل کنید
glmocr parse ./docs/ --output ./results/
خروجی برای هر سند Markdown و JSON است.

دانلود

Ollama ↗رسمی
نسخه‌های bf16 (۲٫۲ گیگابایت) و q8_0 (۱٫۶ گیگابایت).
Hugging Face (مخزن رسمی Z.ai) ↗رسمی
وزن BF16، حدود ۲٫۷ گیگابایت.
ModelScope (حساب رسمی ZhipuAI) ↗رسمی
گیت‌هاب رسمی GLM-OCR به این نسخه لینک داده است.
GitHub — SDK رسمی ↗رسمی
SDK، سرور آماده و راهنمای Ollama و vLLM.

نکات امنیتی

در config.yaml پیش‌فرض SDK، حالت MaaS روشن است (maas.enabled: true) و فایل‌ها به open.bigmodel.cn فرستاده می‌شوند؛ برای اسناد محرمانه حتماً آن را false کنید و SDK را به سرور محلی وصل کنید.
اسناد هویتی و مالی را فقط روی سرور داخلی پردازش کنید و پوشهٔ خروجی را هم محافظت کنید.
پورت سرویس‌ها (۸۰۸۰ برای vLLM در این راهنما و ۵۰۰۲ برای سرور SDK) را به اینترنت باز نکنید.
فاین‌تیون‌های غیررسمی را فقط در قالب safetensors و پس از آزمایش به کار ببرید.

برای شرکت‌ها و سازمان‌ها

برای دیجیتال‌سازی اسناد در شرکت مناسب است: مدل کوچک است و Z.ai سرعت ۱٫۸۶ صفحهٔ PDF در ثانیه را روی یک نمونهٔ سرویس گزارش کرده است. با سرور SDK (پورت ۵۰۰۲)، کارمندان بدون کارت گرافیک از کامپیوتر خودشان به سرور داخلی وصل می‌شوند. برای اسناد فارسی، پیش از راه‌اندازی گسترده آزمایش کنید.

برنامه‌هایی که این مدل را اجرا می‌کنند

آخرین بررسی: ۱۲ مهر ۱۴۰۵ · انتشار: ۲۶ بهمن ۱۴۰۴

معرفی: جی‌ال‌ام اوسی‌آر (آفلاین)

GLM-OCR مدل تشخیص متن (OCR) شرکت Z.ai است که ۳ فوریهٔ ۲۰۲۶ منتشر شد. فقط ۰٫۹ میلیارد پارامتر دارد: یک رمزگذار تصویر و یک مدل زبانی کوچک. متن، جدول، فرمول، مهر و کد را از عکس و PDF می‌خواند و خروجی Markdown یا JSON می‌دهد.

Z.ai می‌گوید در سنجهٔ OmniDocBench V1.5 با امتیاز ۹۴٫۶۲ اول است. برای دیجیتال‌سازی اسناد اداری، استخراج اطلاعات فاکتور و رسید و تبدیل فرمول‌های مقاله به LaTeX مناسب است. زبان‌های رسمی‌اش چینی، انگلیسی، فرانسوی، اسپانیایی، روسی، آلمانی، ژاپنی و کره‌ای است و فارسی در آن نیست.

سخت‌افزار: نسخهٔ Ollama حدود ۲ گیگابایت است و روی کامپیوتر معمولی، حتی بدون کارت گرافیک، اجرا می‌شود. برای حجم بالا، آن را با vLLM روی یک کارت گرافیک سرو کنید.

برای شروع: ollama run glm-ocr Text Recognition: ./scan.png. برای PDF چندصفحه‌ای، SDK رسمی (glmocr) صفحه را چیدمان‌یابی می‌کند، هر بخش را جدا می‌خواند و خروجی مرتب می‌دهد.

نکتهٔ مهم: در تنظیم پیش‌فرض SDK، حالت ابری (MaaS) روشن است و فایل‌ها به سرور ژیپو فرستاده می‌شوند؛ برای کار آفلاین باید آن را خاموش کنید. برای فارسی فقط یک نسخهٔ فاین‌تیون غیررسمی هست که دقتش سنجیده نشده.

بهترین کاربردها

•PDF و اسکن‌های اداری را بدون اینترنت به متن Markdown تبدیل کنم
•جدول‌های داخل اسکن را آفلاین به جدول متنی تبدیل کنم
•فرمول‌های ریاضی کتاب یا مقاله را از عکس به LaTeX تبدیل کنم
•اطلاعات فاکتور یا رسید را آفلاین به‌صورت JSON استخراج کنم
•روی کامپیوتر بدون کارت گرافیک یک OCR هوشمند اجرا کنم
•برای شرکت یک سرویس OCR داخلی راه بیندازم که اسناد بیرون نرود
•هزاران صفحه سند انگلیسی را سریع و محلی دیجیتال کنم

برای این کارها سراغش نروید

–متن فارسی حساس بدون آزمایش (فارسی جزو زبان‌های رسمی نیست)
–چت و پرسش آزاد دربارهٔ عکس (فقط چند دستور مشخص را می‌فهمد)
–ساخت یا ویرایش تصویر
–خواندن ویدیو یا صدا

تصاویر محیط ابزار

صفحهٔ اصلی جی‌ال‌ام اوسی‌آر (آفلاین)

قابلیت‌ها و محیط کار

نقاط قوت

✓فقط ۰٫۹ میلیارد پارامتر؛ نسخهٔ Ollama حدود ۲ گیگابایت است و روی پردازنده هم اجرا می‌شود
✓طبق Z.ai رتبهٔ اول OmniDocBench V1.5 با امتیاز ۹۴٫۶۲
✓جدول، فرمول، مهر و کد را هم می‌خواند و خروجی Markdown و JSON می‌دهد
✓مجوز MIT و SDK متن‌باز با سرور آماده
✓سریع: ۱٫۸۶ صفحهٔ PDF در ثانیه در آزمون Z.ai

نقاط ضعف

✗خود مدل سبک است (حدود ۲ گیگابایت؛ برآورد ۳ گیگابایت حافظهٔ کارت یا ۵ گیگابایت رم)، اما خط تولید کامل SDK پایتون و یک مدل جداگانه برای تشخیص چیدمان می‌خواهد و نصبش فنی‌تر است
✗فارسی در فهرست زبان‌های رسمی نیست
✗SDK به‌طور پیش‌فرض فایل‌ها را به سرور ابری ژیپو می‌فرستد و باید دستی خاموشش کنید
✗فقط دستورهای مشخص (Text، Table و Formula Recognition و استخراج JSON) را می‌فهمد

پرسش‌های پرتکرار

متن فارسی را می‌خواند؟

فارسی جزو ۸ زبان رسمی نیست و گزارش فنی هم دربارهٔ زبان‌های کم‌داده هشدار داده است. یک نسخهٔ فاین‌تیون فارسی غیررسمی در هاگینگ‌فیس هست که دقتش سنجیده نشده. برای فارسی، Qwen3-VL که Qwen دقت فارسی‌اش را گزارش کرده، انتخاب مطمئن‌تری است.

کارت گرافیک لازم دارد؟

نه. راهنمای رسمی Z.ai برای اجرای فقط با پردازنده، Ollama را پیشنهاد می‌کند. با کارت گرافیک سریع‌تر است.

PDF چندصفحه‌ای را چطور تبدیل کنم؟

SDK رسمی را با pip install "glmocr[selfhosted]" نصب کنید؛ صفحه‌ها را چیدمان‌یابی می‌کند و خروجی Markdown و JSON می‌دهد. فقط در config.yaml مقدار maas.enabled را false کنید تا فایل‌ها بیرون نروند.

واقعاً آفلاین است؟

خود مدل بله. SDK در تنظیم پیش‌فرض به سرویس ابری وصل می‌شود و مدل چیدمان را هم بار اول از هاگینگ‌فیس می‌گیرد؛ بعد از تنظیم، کاملاً آفلاین کار می‌کند.

استفادهٔ تجاری آزاد است؟

بله. مدل مجوز MIT دارد و کد SDK و مدل چیدمان PP-DocLayoutV3 مجوز Apache 2.0؛ شرایط هر دو را رعایت کنید.

نظرات کاربران

هنوز نظری ثبت نشده — اولین نفر باشید!

ابزارهای مشابه

مشاهده همه

کوئن ۳ وی‌ال (آفلاین)

Qwen3-VL (offline)

رایگان

مدل بینایی متن‌باز علی‌بابا در اندازه‌های 2B تا 235B که عکس، اسکن و نمودار را می‌فهمد و متن فارسی را از تصویر می‌خواند؛ از لپ‌تاپ تا سرور، با مجوز Apache 2.0.

درک تصویراسکن سند و OCRپرسش‌وپاسخ از اسناد

★★★★★★★★★★۴٫۳پشتیبانی فارسی ✓

جما ۴ (آفلاین)

Gemma 4 (offline)

رایگان

خانوادهٔ مدل باز گوگل که روی لپ‌تاپ یا کامپیوتر خودتان و بدون اینترنت اجرا می‌شود: چت، خلاصه‌نویسی، کدنویسی و فهم تصویر در پنج اندازه از E2B تا 31B، با مجوز آزاد Apache 2.0.

دستیار گفتگوتولید متننگارش فارسی

★★★★★★★★★★۴٫۲پشتیبانی فارسی ✓