核心用法
本 Skill 在 Windows 系统本地部署 GLM-OCR 视觉语言模型，通过 llama.cpp Vulkan 后端实现图像文字识别。使用前需完成三步环境准备：检测并安装 llama.cpp 推理引擎（约50-100MB）、下载 GLM-OCR 模型文件（约1.5GB）、执行 OCR 识别。支持用户直接提供本地图片路径，或通过界面上传图片获取临时路径进行识别。
识别时调用 llama-cli 加载 Q8_0 量化模型（~950MB）及视觉投影层（~484MB），使用 Vulkan 加速优先调度 Intel iGPU。识别结果保留原始排版输出，并支持发票、名片、表格等场景的格式化后处理。
显著优点
- 完全本地运行：无需联网，无云端 API 调用，数据不出本机，隐私性极强
- 中英混合优化：GLM-OCR 针对中文场景训练，汉字识别准确率优于通用 OCR 模型
- Intel 核显加速：Vulkan 后端优先使用 iGPU，无独显设备也能流畅运行
- 开源可审计：llama.cpp 与 GLM-OCR 均为开源项目，代码与模型权重透明可查
潜在缺点与局限性
- Windows 专属：当前仅支持 Windows 平台，macOS/Linux 需自行适配
- 存储空间占用：模型文件约 1.5GB，加上 llama.cpp 二进制约需 2GB 磁盘空间
- 首次配置复杂：需用户确认多次下载安装（Miniforge、llama.cpp、模型文件），学习成本较高
- GPU 依赖：虽支持 CPU 回退，但无 Vulkan 驱动时推理速度显著下降
- 输出格式有限：复杂表格结构可能识别为纯文本，需人工二次整理
适合人群
- 处理敏感文档（合同、证件、病历）且对数据隐私要求极高的个人用户与企业
- 无稳定外网环境或需离线工作的移动办公场景
- Intel 核显轻薄本用户，希望利用 iGPU 加速本地 AI 任务
- 已熟悉命令行与 Python 环境的技术爱好者
常规风险
- 下载源信任：需从 GitHub、HuggingFace/ModelScope 下载可执行文件与模型，存在供应链攻击理论风险（建议校验 SHA256）
- 自动执行风险：PowerShell 脚本涉及网络下载、目录创建、二进制执行，用户需审慎授权
- 模型误判：GLM-OCR 作为生成式模型，存在幻觉风险，关键业务场景需人工复核
- 系统资源占用：大图片识别时可能占用较多内存与显存，建议关闭其他大型应用