axteam/GLM-OCR-GGUF

GLM-OCR · GGUF (llama.cpp)

GGUF quantizations of zai-org/GLM-OCR for llama.cpp / Ollama / LM Studio. Produced by axteam.

Files

File	Size	Notes
GLM-OCR-Q4_K_M.gguf	0.5 GB	4-bit k-quant (medium) — recommended size/quality balance.
GLM-OCR-Q8_0.gguf	1.0 GB	8-bit — closest to the original.

Converted with llama.cpp convert_hf_to_gguf.py (recognized as glm4 (text backbone)); the original chat_template is embedded. The vision encoder is not included in these GGUF files — this is the text-backbone LLM only, so it serves text generation, not the full OCR/image pipeline. For end-to-end OCR use the original model or the FP8 build axteam/GLM-OCR-FP8-dynamic with vLLM.

Quantization method

These GGUF files are post-training quantization (PTQ) made with llama.cpp (convert_hf_to_gguf.py → llama-quantize): the BF16 weights are quantized block-wise (k-quants: per-block scales with mixed bit allocation), with no retraining. The original chat_template is embedded in each file.

Requirements

llama.cpp	build ≥ b8093 — architecture glm4 (GLM-OCR text decoder) needs ≥ b8093, and the commands on this card use -fa on (≥ b6325). Load-checked here with b12005 (commit e0f142d) and b10724 on CPU — the loader accepts the model, tokenizer and the -fa on / q8_0 KV-cache flags; no generation was run in that check.
Memory	the chosen GGUF file (sizes in the table) plus KV cache for the context (-c); --cache-type-k/v q8_0 -fa on halves the KV cache.
Input	text only — no mmproj in this repo, so llama.cpp cannot do OCR / image input with it.
Ollama / LM Studio	not tested here.

Run with llama.cpp

# pull one quant straight from the Hub and serve an OpenAI-compatible API on :8080
llama-server -hf axteam/GLM-OCR-GGUF:Q4_K_M -c 8192 --jinja

# or download a single file and chat in the terminal
hf download axteam/GLM-OCR-GGUF GLM-OCR-Q4_K_M.gguf --local-dir .
llama-cli -m GLM-OCR-Q4_K_M.gguf -c 8192 --jinja

Query the server:

curl http://localhost:8080/v1/chat/completions -H "Content-Type: application/json" -d '{
  "messages": [{"role": "user", "content": "대한민국의 수도는 어디인가요?"}],
  "max_tokens": 512
}'

Reduce KV-cache memory (optional, run-time)

KV-cache type is chosen at run time in llama.cpp (it is not baked into the file):

llama-server -hf axteam/GLM-OCR-GGUF:Q4_K_M -c 8192 --jinja --cache-type-k q8_0 --cache-type-v q8_0 -fa on

Ollama

ollama run hf.co/axteam/GLM-OCR-GGUF:Q4_K_M

LM Studio

Search for axteam/GLM-OCR-GGUF in the model browser and pick a quant (e.g. Q4_K_M).

License

Quantized derivative of zai-org/GLM-OCR (mit). Original weights & tokenizer belong to Z.ai.

---

한국어 요약

zai-org/GLM-OCR의 GGUF 양자화 빌드 (llama.cpp·Ollama·LM Studio용) · 제작 axteam

개요

항목	내용
원본 모델	zai-org/GLM-OCR
형식	GGUF (llama.cpp)
변환 도구	llama.cpp convert_hf_to_gguf.py → llama-quantize
포함	텍스트 백본(언어 모델)만 — 비전 인코더 미포함, 이 GGUF로는 OCR 불가
파일 수	2개

양자화 상세

• 양자화 절차: PTQ(학습 후 양자화, 재학습 없음), llama.cpp 블록 단위 양자화(k-quant Q*_K, Q8_0)
• chat template: GGUF 파일에 내장
• 품질: 미측정 — 아래 파일별 설명은 llama.cpp 양자화 단계의 일반적 경향

제공 파일

파일	크기	설명
GLM-OCR-Q4_K_M.gguf	0.5 GB	4비트 k-quant — 크기·품질 균형 (권장)
GLM-OCR-Q8_0.gguf	1.0 GB	8비트 — 원본에 가장 가까움

요구사항

• llama.cpp: b8093 이상 (glm4 구조(GLM-OCR 텍스트 디코더) 지원 b8093부터, 예시 명령의 -fa on 옵션 b6325부터)
• 로딩 확인: b12005(커밋 e0f142d)와 b10724에서 CPU로 모델·토크나이저 로딩과 -fa on·q8_0 KV 캐시 옵션 인식만 확인 (생성은 실행 미확인)
• 메모리: 선택한 GGUF 파일 크기 + 컨텍스트(-c)만큼의 KV 캐시 (KV 캐시 줄이는 방법은 아래 사용법 참고)
• 입력: 텍스트 전용(mmproj 없음) — OCR은 원본 모델이나 FP8 빌드(axteam/GLM-OCR-FP8-dynamic)를 vLLM으로 실행
• Ollama·LM Studio: 제작 측에서 실행 미확인

사용법

• 파일 받기: hf download axteam/GLM-OCR-GGUF GLM-OCR-Q4_K_M.gguf --local-dir . (아래 -m 명령에 필요, 다른 양자화는 파일명의 Q4_K_M만 변경)
• 서버 실행: llama-server -hf axteam/GLM-OCR-GGUF:Q4_K_M -c 8192 --jinja — OpenAI 호환 API
• 터미널 대화: llama-cli -m GLM-OCR-Q4_K_M.gguf -c 8192 --jinja
• Ollama: ollama run hf.co/axteam/GLM-OCR-GGUF:Q4_K_M
• LM Studio: 모델 검색에서 axteam/GLM-OCR-GGUF 입력 후 양자화 단계 선택
• KV 캐시 절감(선택): --cache-type-k q8_0 --cache-type-v q8_0 -fa on — KV 캐시 약 절반, GGUF 파일과 상관없이 실행 시 지정

라이선스

• 라이선스: MIT — 원본 모델의 라이선스를 그대로 따름
• 권리: 원본 가중치·토크나이저는 Z.ai 소유, 이 리포는 양자화 파생물