Ollama GLM-OCR: lokal pullen und starten

TL;DR

Ollama GLM-OCR ist der Bibliotheks-Tag glm-ocr, nicht llava und nicht llama3.2-vision. Die Ollama-Bibliothek startet mit ollama run glm-ocr. Das Default-Tag glm-ocr:latest teilt laut Tag-Seite den Digest 89d735dd9c07 mit glm-ocr:bf16 (Artefakt 2,7 GB, Kontext 128K, Text und Bild). Der dritte Tag glm-ocr:q8_0 steht in der Modellliste mit 1,8 GB und 128K. Die Übersicht zählt 8,9 Mio. Downloads und 3 Modelle. Die Readme nennt ein multimodales OCR-Modell für komplexe Dokumente auf der GLM-V-Encoder-Decoder-Architektur, einen CogViT-Bildencoder, einen leichten Cross-Modal-Connector und einen GLM-0.5B-Textdecoder; Parameterzahl laut Readme 0,9B. Die Chat-API liegt auf http://localhost:11434/api/chat. Gelesen in Bibliothek, Tags, Übersicht und Chat-Doku am 2026-11-03. Kein Ranking, kein Kaufguide.

OCR-Tag, nicht allgemeines Vision-Chat

IT-Leiter suchen „ollama glm-ocr“, wenn sie den Tag glm-ocr ziehen und lokal starten — nicht, wenn sie ein allgemeines Bild-Chat-Modell ziehen. Der ältere Vision-Tag ohne diesen OCR-Befehl bleibt Ollama LLaVA. Der Llama-Bild-Tag bleibt Ollama Llama 3.2 Vision. Die allgemeine Modellwahl bleibt Ollama Models. Der Fach-Task Wareneingang ohne diesen Pull-Befehl bleibt OCR Wareneingang.

Die Engine kommt von Ollama Download oder dem Linux-Dienst. Port und Bind-Adresse bleiben 11434. Der Python-Client spricht dieselbe API, beschrieben in Ollama Python.

Start: ollama run glm-ocr

Die Bibliotheksseite, erster Befehl:

ollama run glm-ocr

Das zieht glm-ocr:latest und öffnet die Chat-Sitzung. Die Tag-Seite setzt latest auf denselben Digest wie glm-ocr:bf16. Ein festes Tag setzen Sie per Suffix, zum Beispiel glm-ocr:q8_0. Vor dem Pull die aktuelle Liste auf der Tag-Seite prüfen.

Nur ziehen, ohne Sitzung:

ollama pull glm-ocr

Ohne laufenden Server antwortet der Client nicht. Unter systemd ist das die Unit aus Ollama Service.

Die Readme zeigt drei Aufrufe mit Bildpfad:

ollama run glm-ocr Text Recognition: ./image.png
ollama run glm-ocr Table Recognition: ./image.png
ollama run glm-ocr Figure Recognition: ./image.png

Das sind die Bibliotheksbeispiele für Text, Tabelle und Abbildung. Kein eigener Benchmark.

Welche Tags die Bibliothek führt

Stand 2026-11-03 auf ollama.com/library/glm-ocr und der Tag-Seite. Größen sind Artefaktgrößen der Bibliothek, kein freier GPU-Speicher. Die Übersicht markiert den Eintrag mit vision und tools.

Die Tag-Seite listet genau diese 3 Namen. latest und bf16 teilen sich einen Digest. q8_0 ist der dritte Tag in der Modellliste (1,8 GB, 128K); der Digest stand in diesem Lauf nicht lesbar auf der Tag-Seite. Das sind Quantisierungen derselben OCR-Familie, keine zweite Runtime.

Die Readme beschreibt GLM-OCR als multimodales OCR-Modell für komplexe Dokumente (Tabellen, formelhaltige und code-lastige Seiten, Siegel). Als Bibliothekswert nennt sie 94,62 auf OmniDocBench V1.5. Das ist die Herstellerbeschreibung in der Bibliothek, keine eigene Messung. Die Tag-Seite glm-ocr:q8_0 setzt temperature auf 0.

Hardware-Optionen bleiben im KI-Server Hardware-Guide. Hier geht es nur um den Modell-Tag auf einem bereits laufenden Ollama.

Was dieser Tag nicht ist

Ein anderer Bibliotheks-Eintrag ist llava (15,3 Mio. Downloads in der Übersicht, 7B, 13B, 34B). llama3.2-vision ist der Llama-Bild-Eintrag (5,6 Mio., 11B und 90B). qwen3-vl (7 Mio.) und qwen2.5vl (5,7 Mio.) sind getrennte Vision-Familien. Dieser Text behandelt nur glm-ocr.

Die Bibliotheksseite verweist auf Anwendungen (ollama launch claude --model glm-ocr und dieselben Launch-Befehle für OpenCode, Hermes Agent und OpenClaw). Das sind Startpfade der Bibliothek, keine Bewertung.

Vor dem Einsatz die aktuelle Lizenzzeile auf der Bibliotheksseite prüfen.

Chat-API auf Port 11434

Die Bibliothek zeigt denselben Host wie die Ollama-Chat-Doku (http://localhost:11434). Beispiel der Bibliotheksseite:

curl http://localhost:11434/api/chat \
  -d '{
    "model": "glm-ocr",
    "messages": [{"role": "user", "content": "Hello!"}]
  }'

Die OpenAPI der Chat-Route bestätigt Server http://localhost:11434 und POST /api/chat. Für multimodale Modelle listet die Chat-Doku optional images als Liste im Nachrichtenobjekt. Die Tags glm-ocr:latest und glm-ocr:bf16 führen Text und Bild. Python-Paket laut Bibliothek:

from ollama import chat

response = chat(
    model='glm-ocr',
    messages=[{'role': 'user', 'content': 'Hello!'}],
)
print(response.message.content)

Läuft Ollama im Container, zeigt der Host auf das gemappte 11434, siehe Ollama Docker.

Häufige Fragen

Ist glm-ocr dasselbe wie llava oder llama3.2-vision?

Nein. Die Bibliothek führt glm-ocr als eigene OCR-Familie (3 Tags). llava, llama3.2-vision, qwen3-vl und qwen2.5vl sind getrennte Einträge. Dieser Text behandelt nur glm-ocr.

Reicht ollama pull ohne run?

ollama run zieht und startet. ollama pull zieht nur. Die Bibliotheksbeispiele für Chat und CLI bleiben ollama run glm-ocr.

Warum antwortet die API leer?

Zuerst Serve und Tag prüfen (ollama list, ollama ps). Der Port bleibt 11434, beschrieben in Ollama Port 11434. Ohne laufenden Server liefert der Client keinen stillen Fallback.

Brauche ich Docker extra?

Nein für den Desktop- oder Linux-Dienst. Läuft Ollama im Container, zeigt der Host auf das gemappte 11434, siehe Ollama Docker.

Ist das ein zweiter Hardware-Kaufguide?

Nein. Hardware-Optionen bleiben im KI-Server Hardware-Guide. Hier geht es nur um den Modell-Tag auf einem bereits laufenden Ollama.

Fazit

„Ollama GLM-OCR“ ist der Pull- und Start-Pfad: ollama run glm-ocr, Tag mit Suffix (:q8_0, :bf16), Serve dauerhaft, Chat nativ auf /api/chat. Größen stammen aus der Bibliothek, nicht aus einer eigenen VRAM-Rechnung. Kein Ranking, keine Preise.