GLM-OCR と PaddleOCR-VL の比較:どちらの小型ドキュメント解析モデルを選ぶべきか?
2つの 0.9B ドキュメント解析モデル:GLM-OCR(MIT、SDK、フォーム項目抽出)と PaddleOCR-VL(Apache 2.0、チャートと印章)。ツールチェーン、ライセンス、スコアを比較します。
結論. どちらも 0.9B のドキュメント解析モデルで、ページを表や数式入りの Markdown に変換します。したがって選択の分かれ目はライセンス、ツールチェーン、どちらのスコアを信じるかにあります。GLM-OCR(2026年2月、MIT)はドキュメント解析用の SDK を同梱し、フォームから項目を抽出して固定の JSON 構造にすることもできます。PaddleOCR-VL(2026年5月、Apache 2.0)はチャートと印章にも対応し、中国語中心の文書に適していますが、デフォルトの実行ルートでは PaddlePaddle フレームワークが必要です。両者が前面に出す OmniDocBench のスコア(GLM-OCR は V1.5 で 94.62、PaddleOCR-VL は v1.6 で 96.33)は、ベンチマークの異なるバージョンから出た開発者自身の公表値であり、単純に比較できません。自分の文書のサンプルで両方を試してみてください。
仕様
| 仕様 | GLM-OCR | PaddleOCR-VL |
|---|---|---|
| 開発元 | Z.ai (Zhipu AI) | Baidu |
| リリース日 | 2026年2月2日 | 2026年5月28日 |
| 総パラメータ数 | 900M (GLM-OCR) | 960M (PaddleOCR-VL-1.6) |
| アクティブパラメータ数 | すべて | すべて |
| アーキテクチャ | デンス | デンス |
| コンテキストウィンドウ | – | – |
| 入力 | テキスト, 画像 | テキスト, 画像 |
| ライセンス | MIT (パーミッシブ) | Apache 2.0 (パーミッシブ) |
| 最小バリエーションの必要メモリ(4ビット) | 0.621 GB (GLM-OCR) | 0.662 GB (PaddleOCR-VL-1.6) |
性能に関する主張は開発元によるもので、独自検証は行っていません。
GLM-OCR を選ぶべきケース
- ID 書類、請求書、フォームから抽出した項目を固定 JSON で受け取りたい場合。
- 小型 OCR モデルをファインチューニングしたい場合(LLaMA-Factory のガイドがある)。
- スキャン画像や PDF を表と数式入りの Markdown に解析する SDK が欲しい場合。
- モデルのライセンスとして MIT を選びたい場合。
PaddleOCR-VL を選ぶべきケース
- 文書が中国語中心で、古文書や珍しい文字を含む、あるいはチャートや印章を含む場合。
- 商用パイプライン向けに Apache 2.0 ライセンスを望む場合。
- すでに PaddleOCR や PaddlePaddle を使っている、あるいは Docker ルートを実行できる場合(デフォルトのルートには PaddlePaddle 3.2.1 以降が必要)。
- PaddleOCR-VL-1.5 をそのまま置き換えたい場合。