Návrh na opravu štítku u GLM-OCR ležel v repozitáři Z.ai od května do září

Čínská laboratoř Z.ai sloučila 11. září 2026 v repozitáři svého modelu GLM-OCR návrh, který jí tam vývojář Hugging Face nechal 19. května. Šlo o jediný řádek v hlavičce karty modelu: štítek úlohy, podle kterého platforma pozná, k čemu model je. Mezi oběma daty uplynuly skoro čtyři měsíce a dvě hlášení uživatelů, kteří si na tentýž problém stěžovali, zůstala otevřená dodnes.

GLM-OCR je model pro čtení dokumentů: dostane obrázek stránky a vrátí text, vzorec nebo tabulku. Repozitář na Hugging Face vznikl 30. ledna 2026 a váhy do něj přibyly 2. února. Karta se hlásí k licenci MIT, tedy k té bez prahů obratu a bez seznamu zakázaných zemí; soubor s jejím textem v repozitáři není, platí jen ta kolonka. U novějšího GLM-5.3 už táž firma MIT vyměnila za vlastní podmínky. K modelu vyšla technická zpráva na arXivu (11. března 2026, druhá verze 16. března) a karta uvádí návody pro vLLM, SGLang i Transformers. Hlásí se v ní také k prvnímu místu v testu OmniDocBench V1.5 se skóre 94,62; to číslo naměřil vydavatel sám. Rozhraní Hugging Face u něj 14. září 2026 vede 1 904 001 stažení za posledních třicet dnů a 31 002 851 za celou dobu.

Štítek úlohy rozhoduje o víc než o zařazení

Každý model má na Hugging Face pole pipeline_tag. Vypadá jako kolonka pro katalog, ale platforma podle ní skládá i vzorové útržky kódu, zkušební okénko na stránce modelu a směrování na poskytovatele inference, tedy na firmy, které model provozují a pouštějí k němu přes API cizí lidi.

V hlavičce karty stálo image-to-text – tedy „z obrázku text“. Ta úloha je v katalogu starší a počítá s jedním obrázkem na vstupu. GLM-OCR přitom dostává obrázek i pokyn, co se z něj má vytáhnout, a má vlastní šablonu rozhovoru. Novější modely téže firmy, třeba GLM-5.3-Flash, nesou image-text-to-text.

Dvě hlášení z poloviny května

Čtrnáctého května založil uživatel vystupující jako procioni vlákno u modelu. Napsal v něm, že všechny ukázky kódu pro poskytovatele inference vracejí chybu:

ValueError: Task 'image-to-text' not supported for provider 'zai-org'.
Available tasks: ['conversational', 'text-to-image']

Za dva dny přidal uživatel raccoon70 totéž jako hlášení v repozitáři dokumentace Hugging Face, tentokrát s odkazem na konkrétní útržek z karty GLM-OCR. Chtěl po platformě jedno ze dvou: buď ať poskytovatel zai-org úlohu image-to-text umí, nebo ať se opraví ukázky, které tvrdí, že ji umí. Obě hlášení jsou 14. září pořád otevřená a na vlákně u modelu neodpověděl nikdo.

Návrh, protinávrh a čtyři měsíce

Změnu navrhl 18. května návrhem číslo 57 Lucain Pouget, který na Hugging Face vystupuje jako Wauplin a jeho účet patří do organizace té platformy; ve svém komentáři na to druhé hlášení odkázal. Navrhl řádek se štítkem z karty vyhodit a nechat platformu, ať si správnou úlohu odvodí sama. Argumentoval tím, že natvrdo zapsaný štítek má přednost jako hlavní, a proto podle něj rozbíjí několik napojení: chybí označení conversational, nefunguje zkušební okénko a nečte se šablona rozhovoru. Z.ai návrh druhý den v 12.28 přijala.

O necelých dvaačtyřicet minut později otevřel Pouget návrh číslo 58, který jeho vlastní změnu vracel zpátky. Napsal, že se omlouvá a že to byl z jeho strany přehmat: dokonalé řešení tu není, protože poskytovatele inference a štítek image-text-to-text nejde mít naráz. Návrat do původního stavu podle něj obnoví poskytovatele a vrátí modelu označení conversational, díky kterému se dá najít.

Tenhle druhý návrh pak v repozitáři ležel od 19. května do 11. září. Hlavička karty po tu dobu neuváděla žádný štítek úlohy, protože Pougetova první změna štítek odstranila a druhá, která ho měla vrátit, čekala na schválení. Spolu se štítkem zmizelo i označení conversational. Vrátilo se až se sloučením 11. září v 11.59; o hodinu a půl dřív téhož dne Z.ai nahrála do repozitáře upravené nastavení a tokenizér.

Co rozhraní vrací teď

Stav napojení na poskytovatele vydá rozhraní Hugging Face u každého modelu zvlášť. U GLM-OCR v něm 14. září 2026 stojí jediný poskytovatel, samotná Z.ai, a u něj hodnota "status": "error"; sousední pole previousStatus nese live, takže ta trasa dřív odpovídala. Model tak přes rozhraní platformy zrovna nemá kudy.

Ojedinělé to u Z.ai není. Ze 154 jejích modelů má napojení na poskytovatele vyplněné dvaatřicet a u šesti z nich je v chybě celá sada – vedle GLM-OCR ještě GLM-Image, GLM-5.1-FP8, CogView4-6B, GLM-Z1-9B-0414 a GLM-4.5. Novější GLM-5.3 a GLM-5.3-Flash naopak vedou po šesti živých poskytovatelích, z toho pět cizích firem. Co za těmi chybami je, rozhraní neříká a Z.ai to nekomentuje.

Devět desetin miliardy, nebo jedna a třetina

Karta modelu staví rychlé nasazení na tom, že modelu stačí 0,9 miliardy parametrů. Soubor vah jich obsahuje 1 325 258 240, tedy 1,33 miliardy. Rozdíl je vidět z hlavičky souboru, ve které je u každého tenzoru jméno a tvar: jazyková část má 617,5 milionu parametrů, tabulka slovníku na vstupu 182,5 milionu a výstupní vrstva dalších 91,2 milionu. Dohromady 891,2 milionu, tedy těch devět desetin miliardy z karty. Obrazový kodér CogViT, bez kterého model žádnou stránku nepřečte, přidává 434,1 milionu a do součtu na kartě se nepočítá. Je to vlastní výpočet z čísel v hlavičce vah, ne údaj od Z.ai.

Zdroje

• Karta modelu zai-org/GLM-OCR na Hugging Face, včetně historie revizí a diskusí 56, 57 a 58
• Hlášení huggingface/hub-docs#2481 na GitHubu
• GLM-OCR Technical Report, arXiv 2603.10910
• Rozhraní huggingface.co/api/models s rozšířením inferenceProviderMapping, dotazováno 14. září 2026