智谱 GLM Coding Plan 抢购助手 + 本地 OCR 自动验证码

⚠️ 2026-07 更新：智谱国内 GLM Coding Plan 基本不放货了，抢购难度极高。

如果你想看其他厂商的对比，我们整理了主流 Coding Plan 价格 + 用量 + 优惠对比榜单（火山方舟 / 智谱 / Z.AI / MiniMax / Kimi，含邀请码一键复制）：

📊 看完整对比榜单 → ｜ 💬 TG 交流群 →（聊大模型套餐选型 + 使用量上报 + 抢购问题）

这是一个面向智谱 GLM Coding Plan 的抢购辅助项目，包含 Tampermonkey 油猴脚本和本地 CPU/GPU OCR 后端，用于限时抢购流程辅助、一键启动后端、中文点选验证码自动识别、验证码自动点击、套餐按钮提前可点、限流重试和多窗口监控。目前仅适配 Google Chrome 和 Microsoft Edge，推荐使用 Chrome。

关键词：GLM Coding Rush、GLM Coding Plan 抢购助手、GLM Coding Plan 抢购脚本、GLM Coding Plan 一键抢购、GLM Coding 一键启动、智谱 GLM Coding 抢购、智谱编程套餐抢购、GLM Coding 油猴脚本、Tampermonkey userscript、Auto-Purchase Userscript、自动解锁售罄、限流重试、多窗口并发、本地 OCR、CPU OCR、GPU OCR、中文点选验证码、验证码自动点击、订阅助手。

English keywords: GLM Coding Rush, GLM Coding Plan auto purchase, GLM Coding Plan rush helper, GLM Coding one-click startup, GLM Coding userscript, Tampermonkey script, local OCR captcha solver, CPU OCR backend, GPU OCR backend, Chinese captcha auto click.

演示

5198AE9D-A48D-48fa-9D68-E50AC85E1E40.1.mp4

能做什么

• GLM Coding Plan 抢购流程辅助，减少手动刷新和返回操作
• 提前解除页面按钮不可点击状态，让订阅按钮可以操作
• 自动切换套餐和订阅周期，按配置顺序尝试
• 遇到中文点选验证码时，调用本地 OCR 后端自动识别并点击目标文字
• 支持 CPU/GPU 本地识别，不上传验证码图片到第三方服务
• 支持一键多开窗口，方便补货前预热和同时监控
• 默认不自动点击验证码“确定”按钮，需要在配置面板里手动开启
• 默认不自动关闭无效支付链接/限流弹窗，需要在配置面板里手动开启
• 默认直接打开 GLM Coding Plan 页面（原内置折扣入口对应的邀请码活动已下线，代码已注释保留，活动恢复时取消注释即可）

注意：目前仅适配 Chrome 和 Edge。我测试了 1080p-1920p、桌面 100%-150% 放大倍率、浏览器 50%-125% 缩放。如果遇到显示或点击问题，建议先调整为 1920p、桌面 100%-125% 放大、浏览器 100%。

后端配置、GPU/CPU 自动选择、worker 数、OCR 配置等说明见：

docs/backend_config.md

修复历史见：

CHANGELOG.md

快速开始

Windows 普通用户可使用便携包，无需手动安装 Python；macOS 当前使用在线安装方式，需要 Apple Silicon 和 Python 3.12；Linux 使用在线安装包，需要 Python 3.12（或 uv），NVIDIA GPU 可选。最简单的方式是：

1. 下载 Release 压缩包
2. 解压
3. 安装油猴脚本
4. 启动后端（Windows 双击 one-click-start.cmd；macOS 运行 one-click-start.command；Linux 终端执行 ./one-click-start.sh）
5. 打开 GLM Coding Plan 页面

1. 下载压缩包

到 Releases 页面下载：

https://github.com/OLmatter/glm-coding-helper/releases

推荐二选一：

文件	适合谁	说明
glm-coding-helper-portable-cpu-*.zip	Windows 用户、想少下载模型缓存的人	自带本地模型/缓存文件，但首次仍会在用户电脑上创建 CPU 后端环境
glm-coding-helper-online-installer-*.zip	网络正常、想下载小包的人；macOS / Linux 推荐	小包，首次启动会自动下载并安装 CPU/GPU 环境（Windows / macOS / Linux）

不知道选哪个：Windows 下载 portable-cpu，首次运行双击 one-click-start.cmd；macOS / Linux 下载 online-installer，按下方「启动后端」一节操作。

2. 解压

把 zip 解压到一个普通目录，例如：

D:\Tools\glm-coding-helper

建议解压到短路径，例如：

C:\glm-coding-helper

不要解压到层级很深的目录。部分依赖包内部路径很长，在 Windows 上可能触发路径长度限制，表现为 pip install 时报 No such file or directory。如果遇到环境安装失败，优先换到短路径、纯英文路径再试。

3. 安装油猴脚本

1. 在 Chrome 或 Edge 安装 Tampermonkey：https://www.tampermonkey.net/
2. 安装脚本，二选一：

方式 A：访问 Greasy Fork 页面安装：

https://greasyfork.org/zh-CN/scripts/579760-glm-coding-helper

方式 B：打开解压目录里的本地脚本：

glm-coding-helper.user.js

3. 如果使用方式 B，就复制全部内容，新建 Tampermonkey 脚本，粘贴并保存。
4. 确认脚本已启用。

Chrome 用户如果脚本不运行，请打开扩展详情，开启：

• 开发者模式
• 允许用户脚本
• 允许在无痕模式中启用（如果你用无痕窗口）

Greasy Fork 和仓库根目录的 glm-coding-helper.user.js 都是给普通用户安装的入口；scripts/userscripts/ 只是保留给开发和旧路径兼容。

4. 启动后端

Windows：

one-click-start.cmd

首次双击会自动安装 CPU/GPU 环境（自动探测可用 PyPI 镜像，安装过程有实时进度），之后每次双击直接启动后端 + Tk GUI。环境损坏时也会自动检测并修复。

macOS（Apple Silicon）：

首次安装并启动：one-click-start.command
日常 GUI 启动：start-backend-pipeline-gui.command

macOS 的完整前置条件、Gatekeeper 处理和验证步骤见 macOS 安装与使用说明。

Linux：

chmod +x one-click-start.sh scripts/setup_backend_linux.sh
./one-click-start.sh

首次运行会自动探测 PyPI 镜像、安装 CPU/GPU 环境，并以 headless 模式启动 captcha_server 后端（与 Windows 主路径同源，无 Tk 窗口）。完整说明见 Linux 安装与使用说明。

后端启动后默认监听：

http://127.0.0.1:8888

然后打开 GLM Coding Plan 页面（原内置优惠入口对应的邀请码活动已下线，现在直接打开即可）：

https://www.bigmodel.cn/glm-coding

抢购步骤

1. 先安装好油猴插件，配置好油猴脚本。使用 Chrome 时要在扩展页面开启开发者模式，然后找到 Tampermonkey 详情，把“允许用户脚本”“在无痕模式下启用”“允许访问文件网址”按需打开。
2. 下载并解压 Release 包，按平台启动本地后端（Windows 双击 one-click-start.cmd；macOS one-click-start.command；Linux ./one-click-start.sh）。
3. 打开 GLM Coding 页面测试脚本是否正常（原内置优惠入口对应的邀请码活动已下线，现在直接打开 https://www.bigmodel.cn/glm-coding 即可）。
4. 每天 9 点 30 分前进入抢购页面准备，晚了可能就打不开了。提前准备好手机支付宝付款。
5. 等快到 10 点的时候点击好验证码但不要确定，等 10 点一到再按确定。近期风控很严，建议只开一个窗口，开得越多请求越密越容易触发风控；根据实际情况在配置面板里把验证码点字延时调大（默认 250-400ms，可以试 300-450ms 甚至更大），节奏太快现在很容易被封。
6. 如果这波没抢到，就盯着窗口用 OCR 识别点击。默认不会自动关闭支付页面。注意：如果看到没有金额的支付页面，那就是没抢到，要关掉继续抢。这时可以使用快捷键快速操作。

经验与风控建议

• ⚠️ 2026-06-23 点击拦截风控升级：智谱今早升级了风控，自动点击订阅按钮偶尔会被拦截/拒绝（连人手动点也一样会被拦），页面显示「很抱歉，由于您访问的URL有可能对网站造成安全威胁，您的访问被阻断」。

  • 应对 1：点击被拦截时等约 10 秒重试，拦截一般不会持续。
  • 应对 2：自动点击一直无效时，手动点击「特惠订阅」入口——手动点入口同样能进购买流程。
  • 验证码不用管：不管订阅入口是脚本自动点还是手动点，验证码识别（OCR）、点字、点确定都会自动接管。
  • 一句话：订阅入口点不动就手动点特惠订阅，验证码自动打。
  • 风控拦截是智谱服务端行为，脚本侧无法绕过，只能等或换入口；自动点击和 OCR 解耦，互不影响。

• RPM 风控（2026-06）：智谱近期升级了 RPM（每分钟请求数）风控。市面上很多“高并发多窗口 + 屯码复用”的同类脚本近期已经大面积失效，整轮容易直接返回系统繁忙、500、555 或被风控。

• 本项目路线：当前走的是单窗口单发 + 实时 OCR 识别。每发请求都带新鲜验证码，不依赖 ticket 复用，请求密度相对更低。

• 窗口数量：近期风控很严，建议只开一个窗口。开得越多请求越密，越容易触发 RPM 风控（近期很多 500 反馈就是这个原因）。如果觉得被风控盯上，优先在配置面板里把验证码点字延时调大，而不是开更多窗口硬冲。

• 官方近期不放量：近期智谱几乎不放量，连配套的「拼好模」活动也取消了，整体很难抢到。这不是脚本的问题，是官方供给侧收紧。脚本该做的优化（单窗口单发、实时验证码、请求节奏控制）都在做，但库存没了再快也没用。

• 无痕模式：如果之前抢过且账号疑似被风控盯上，建议试试 Chrome / Edge 的无痕模式窗口（Ctrl+Shift+N）。无痕窗口没有历史 Cookie / 缓存 / Service Worker / 本地存储，可能减少隐形风控标记。注意要在 Tampermonkey 扩展详情里允许脚本在无痕模式运行。

• 自动点击订阅默认关闭：开售前正常用户通常按不到购买入口，脚本加载后自动点击可能打到关键接口并触发风控。因此默认只观察和提醒；需要按 F9 或在配置面板显式开启，Rush mode 则等目标时间到达后才允许自动点击。

• Rush mode：Rush mode（定时确认） 默认目标是 10:00:00。开启后，脚本会继续扫描页面，但目标时间前不会自动点击订阅；目标时间已到才进入购买链路。验证码“确定”会根据实测 RTT 保守释放：默认按 max(0, RTT/2 - 20ms) 提前，本地发射不早于预测安全点，也不晚于目标时间。

• 验证码随机延时：如果近期限流更重、风控更频繁，可以把配置面板里的验证码点字随机延时区间整体调大一点。当前默认是 250-400ms；更保守可以试 300-450ms，再重一点可以试 350-500ms。

• 核心原则：先把流程跑稳，再去追求更快。窗口不要开太多，请求不要堆太密，能稳定跑完一整条链路通常比盲目并发更重要。

快捷键

• Esc：关闭系统繁忙弹窗或支付弹窗
• Enter / Space：点击验证码确认按钮
• F8：暂停/恢复脚本（暂停后停止扫描、订阅点击、验证码自动点击/确认）
• Shift+F8：批量暂停/恢复（同浏览器所有 glm-coding 普通窗口联动；只切当前窗口用 F8）
• F9：切换自动点击订阅

快捷键可在配置面板中自定义。默认使用外挂工具常见的 F8/F9，避开浏览器常见快捷键；输入框、文本框、下拉框和可编辑区域内不会触发。Shift+F8 覆盖同浏览器普通窗口；无痕模式、跨浏览器受扩展隔离限制不支持。

重要提醒

• 默认会自动识别验证码并点击目标文字。
• 默认不会自动点击订阅按钮，避免开售前打到正常用户按不到的关键接口；需要在配置面板或用 F9 显式开启。
• 默认不会自动点击验证码“确定”按钮，需要在配置面板里手动开启。
• 默认不会自动关闭无效支付链接或限流弹窗，需要在配置面板里手动开启。
• 遇到真正有金额的支付二维码，请自行确认后再扫码支付。
• 抢购是否成功受库存、限流、账号状态、支付速度等因素影响，脚本不能保证一定抢到。

油猴菜单里可以打开配置面板、一键多开窗口、清除今日套餐状态缓存。

交流群 & 姐妹项目

Telegram 交流群：https://t.me/+s1flX6cpUZ1kM2M1

群里聊大模型套餐抢购、选型、使用量，抢购脚本的问题也欢迎群里问。

📊 顺便推荐我们的另一个项目 —— LLM API Ledger（榜单页）

集齐主流厂商 Coding Plan 套餐的真实用量横评榜单（火山 / 智谱 / Kimi / MiniMax / Z.AI 等）。不靠厂商宣传，靠大家本地装探针核账 + 众包脱敏上报。

抢到套餐之后不知道能跑多少？想横向对比哪家划算？想把自己实测的使用量报上来帮助更多人？欢迎来 Ledger 看榜单、提 Issue、进同一个 TG 群聊。两个项目共用一个群。

智谱官方飞书群

配置面板

在 Tampermonkey 菜单中选择：

打开配置面板

可以配置：

• 套餐优先级
• 订阅周期优先级
• 是否自动点击订阅
• 是否自动点击验证码文字
• 是否自动点击验证码确定
• 是否自动关闭无效支付/限流弹窗
• 是否启用智能刷新

默认配置比较保守：会识别并点选验证码文字，但不会自动点击订阅或验证码“确定”。自动订阅需手动开启或等 Rush 目标时间到达。

验证码识别说明

当前验证码流程是：

1. 油猴脚本直接从腾讯验证码组件中抓取原图。
2. 原图发送到本地后端 /captcha_direct。
3. 后端使用本地 YOLO + PP-OCRv6（tiny 主路径，medium 兜底）识别。
4. 脚本按识别坐标点击文字。

验证码图片不会上传到第三方识别服务。OCR 默认走 PP-OCRv6_tiny_rec（约 110ms/张，379 张真实验证码准确率 100%），识别结果不一致时自动 fallback 到 PP-OCRv6_medium_rec；模型可通过 config.json 的 ocr_model 或环境变量 CNCAPTCHA_CPU_OCR_MODEL / GLM_OCR_MODEL 覆盖。

启动后端

Windows 主路径（推荐）：

one-click-start.cmd   ← 首次自动安装 CPU/GPU 环境（自动探测 PyPI 镜像），之后启动后端 + Tk GUI

启动后会弹出 Tk 窗口（scripts/tools/captcha_server.py），实时显示：

• 系统状态 / 识别模型：当前 OCR 模式与模型（hybrid | 主 v6_tiny → 兜底 v6_medium）
• 当前提示 / 识别结果：本次验证码的 prompt 与识别输出、置信度
• 日志框：[captcha] 城匙称 -> 称匙城 | conf=1.00 end-to-end=312ms (yolo=120ms ocr=165ms) 实时滚动

one-click-start.cmd 会自动检测/创建 .venv_paddle、检查依赖、缺失时自动 pip install；端口被占用时会显示中文提示（含 PID/进程名/命令行），杀进程前需用户确认。

另有 start-backend-pipeline-gui.cmd（backend/ 目录的 FastAPI 多进程流水线 + 另一个 Tk GUI），是早期可选方案，功能等价但架构不同，普通用户用 one-click-start.cmd 即可。

macOS 日常启动请双击 start-backend-pipeline-gui.command，首次安装请双击 one-click-start.command。

Linux 首次安装与日常启动均使用 ./one-click-start.sh（start_backend.py --headless → captcha_server_headless，与 Windows 主路径同源，无 Tk）。详见 docs/linux-setup.md。

常用文件

文件	用途
glm-coding-helper.user.js	给 Tampermonkey 安装的主脚本
one-click-start.cmd	首次安装 CPU/GPU 环境 + 启动后端 + Tk GUI（Windows 主入口）
one-click-start.command	macOS 首次安装 CPU 环境并启动后端
start-backend-pipeline-gui.command	macOS 日常启动后端 + Tk 窗口
one-click-start.sh	Linux 首次安装 CPU/GPU 环境并启动 headless 后端
docs/macos-setup.md	macOS 中文安装、限制与验证说明
docs/linux-setup.md	Linux 中文安装、GPU/CPU 与验证说明
scripts/tools/captcha_server.py	Windows one-click-start.cmd 启动的后端（HTTP + Tk GUI）
scripts/tools/captcha_server_headless.py	Linux one-click-start.sh 启动的后端（HTTP，无 GUI）
backend/server.py	macOS one-click-start.command 及可选 pipeline 后端
backend/	可选的 FastAPI 多进程流水线后端（macOS 主路径）
models/	本地识别模型

常用启动方式

普通用户优先双击 .cmd 文件。如果你需要手动调试，可以用下面的命令。

自动选择 CPU/GPU：

powershell -ExecutionPolicy Bypass -File scripts\start_backend.ps1 -Mode auto

强制 CPU：

powershell -ExecutionPolicy Bypass -File scripts\start_backend.ps1 -Mode cpu

指定 CPU worker：

powershell -ExecutionPolicy Bypass -File scripts\start_backend.ps1 -Mode cpu -CpuWorkers 3

强制 GPU：

powershell -ExecutionPolicy Bypass -File scripts\start_backend.ps1 -Mode gpu

GPU 模式需要确认 .venv_paddle_gpu 里安装的是 GPU 版 PyTorch。paddlepaddle-gpu 只负责 OCR，YOLO/Ultralytics 依赖 torch；如果 torch 是 CPU 版，后端仍会跑起来，但 YOLO 会走 CPU。

检查方式：

.\.venv_paddle_gpu\Scripts\python.exe -c "import torch; print(torch.__version__); print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'no cuda')"

如果输出 False 或 no cuda，请在 .venv_paddle_gpu 中按 PyTorch 官网选择 CUDA 版本重新安装 GPU 版 torch 后再启动 GPU 模式。

模型文件

默认检测权重路径：

models/weights/yolo-captcha-detector.pt

也可以用环境变量覆盖：

$env:CNCAPTCHA_DETECTOR_PATH="D:\path\to\best.pt"

验证码识别模型从传统 CV、YOLO、GLM-OCR/VLM 标注、手搓排序模型到 PP-OCRv5 再到当前 PP-OCRv6（tiny 主 + medium 兜底）的开发历程见：

docs/captcha_model_journey.md

常见问题

浏览器控制台报 "Permission was denied for ... loopback address space"（验证码偶尔不识别）

Chrome 130+ 启用了 Local Network Access（LNA）策略，会拦截公网 HTTPS 页面（bigmodel.cn）对本机 loopback（localhost:8888）的 fetch 请求。脚本里已经做了双通道兜底（fetch 失败时切到 Tampermonkey 的 GM_xmlhttpRequest），但在某些 Chrome 配置下扩展通道也会受影响，导致验证码偶发不识别。

根治办法（任选其一）：

1. 关 LNA 强制策略（推荐，本机自用绝对安全）：地址栏访问

   chrome://flags/#block-insecure-private-network-requests
   

   设为 Disabled，重启 Chrome。这是把 Chrome 早期的 PNA/LNA 强约束关掉，让 fetch 直通 localhost。
2. 改用 Edge 或 Firefox：Edge 跟进 LNA 较慢，Firefox 没有同等策略，开箱即用。
3. 配 HTTPS + 信任自签证书：高阶用法，本仓库暂不内置脚本。

注意区分这条红字和「后端没启动」：先在 PowerShell 跑 curl http://localhost:8888/health，能拿到 JSON 就说明后端没问题，红字是浏览器策略，按上面三选一。

识别结果或点击位置像是错位、滞后一张图？

先刷新一下浏览器页面，再重新打开验证码测试。验证码弹窗刷新、页面状态缓存、多窗口切换或浏览器缩放状态异常时，前端显示和后端识别可能短暂不同步。

后端窗口红字报错怎么办？

优先确认你下载的是最新版 Release 包。如果是在线安装包，第一次启动需要联网下载环境；portable-cpu 会减少模型/缓存下载，但仍必须在用户自己的电脑上创建 Python venv。Windows venv 不能直接从打包机复制，否则可能指向打包机的 Python 路径。

pip 安装依赖失败 / No such file or directory / 路径太深？

后端依赖包内部路径很深（如 modelscope 的 custom_datasets），解压目录太长会让完整路径超过 Windows MAX_PATH（260 字符）导致 pip 失败。建议解压到短路径，比如 C:\glm-coding-helper\，不要解压到 D:\Application\Greens\glm-coding-helper-portable-cpu-20260710_000834\ 这种长路径。新版本 one-click-start.cmd 会在路径偏长（> 60 字符）时自动警告，pip 失败时也会主动提示路径问题。

后端启动报 WinError 10013 / 端口 8888 被占？

WinError 10013 表示端口被占或权限不足。常见原因：① 之前后端没退干净；② 别的软件占了 8888（迅雷、代理、其它本地服务）。新版本启动前会自动检测 8888，被占时提示占用进程的 PID 和名称，方便定位。也可以用别的端口：把 one-click-start.cmd 里的 -Port 8888 改成 -Port 8889。

优惠活动从哪里进入？

原内置折扣入口对应的邀请码活动已下线，脚本不再自动注入邀请码参数。现在直接打开 GLM Coding 页面即可：

👉 https://www.bigmodel.cn/glm-coding

活动恢复后会重新启用邀请码入口。

GPU 版不支持 RTX 50 系？

RTX 50 系（Blackwell 架构，如 5070/5080/5090）暂时不支持 GPU 模式。原因：

• GPU 依赖 paddlepaddle-gpu + nvidia-*-cu11（CUDA 11.8）+ cudnn 8.9
• RTX 50 系最低需要 CUDA 12.8 + cuDNN 9.x，CUDA 11.8 不含 Blackwell 的 PTX，GPU 推理会失败或回退 CPU

解决方案：RTX 50 系用户用 CPU 模式即可（one-click-start.cmd 会自动选 CPU），PP-OCRv6 在 CPU 上约 110ms/张，完全够用。等 paddlepaddle-gpu 发布支持 CUDA 12.8 的版本后会更新。

GPU 模式报错 / GPU 没用上？

确认以下几点：

1. .venv_paddle_gpu 里装的是 GPU 版 paddlepaddle-gpu（不是 CPU 版 paddlepaddle）
2. .venv_paddle_gpu 里的 torch 也是 GPU 版（torch.cuda.is_available() 返回 True）。YOLO/Ultralytics 依赖 torch；如果 torch 是 CPU 版，YOLO 会走 CPU 即使 paddle 是 GPU 版
3. 显卡驱动版本要 匹配 CUDA 版本（当前项目用 CUDA 11.8）

检查命令：

.\.venv_paddle_gpu\Scripts\python.exe -c "import torch; print(torch.__version__); print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'no cuda')"

如果输出 False 或 no cuda，请按 PyTorch 官网 选择 CUDA 版本重新安装 GPU 版 torch。

CPU 模式识别速度慢？

如果识别一张验证码超过 2 秒，确认下载的是最新版 Release 包。旧版本（2026-06-22 之前）使用 PP-OCRv5 server（约 1189ms/张），新版本升级到 PP-OCRv6 tiny（约 110ms/张，快约 11 倍）。379 张真实验证码测试准确率仍为 100%。

致谢

本项目的油猴前端脚本是在 Greasy Fork 用户 mumumi 的《GLM Coding Plan抢购助手》基础上二次开发而来：

https://greasyfork.org/zh-CN/scripts/572157-glm-coding-plan%E6%8A%A2%E8%B4%AD%E5%8A%A9%E6%89%8B

感谢原作者长期维护和分享。原脚本采用 GNU GPLv3 许可证；本仓库继续保留相同许可证声明，并在其基础上增加本地 CPU/GPU OCR 后端、自动验证码识别和开源部署脚本。

许可证

本项目基于 GNU GPLv3 发布。油猴脚本基于 Greasy Fork 用户 mumumi 的 GPLv3 脚本二次开发，继续保留相同许可证。

说明

本项目用于本地 OCR、自动化辅助和技术研究。请遵守目标网站服务条款和当地法律法规，自行承担使用风险。

附录：OCR 方案对比

下面是本项目在本地数据上的阶段性对比结果。判定口径为：点选验证码中 3 个提示字都点到正确位置，才算 1 张图片识别成功。

小样本隐藏集

隐藏集包含 33 张未参与训练的真实验证码图。

阶段	方案	准确率	速度	说明
1	裸 ddddocr default/old	4/33 = 12.1%	7.3ms/裁剪字符	速度很快，但直接用于本验证码不够
2	裸 ddddocr beta	6/33 = 18.2%	7.9ms/裁剪字符	比 default 略好，但仍不能直接用
3	glm-coding-grabber 原样管道	24/33 = 72.7%	156ms/张	原项目默认只扫 macOS 字体，Windows 下会退化
4	glm-coding-grabber 完整管道 + Windows 字体	33/33 = 100%	250ms/张	轻量、快速，补齐字体后效果明显提升
5	本项目 PP-OCRv5 mobile 裸识别	26/33 = 78.8%	624ms/裁剪字符	单独识别仍不够稳定
6	本项目 PP-OCRv5 mobile + 提示字约束	32/33 = 97.0%	同上	接近可用
7	本项目 PP-OCRv5 server 裸识别	28/33 = 84.8%	706ms/裁剪字符	比 mobile 更准，但更重
8	本项目 PP-OCRv5 server + 提示字约束	33/33 = 100%	同上	隐藏集满分
9	本项目 CPU hybrid logits constrained	33/33 = 100%	warm 761ms/张	当前默认稳定方案
10	本项目 PP-OCRv6 tiny + 提示字约束	33/33 = 100%	~30ms/张	当前默认，比 v5 快 20 倍+

压力测试集

压力测试使用本地 glm_ocr_labels_all.json 中 has_error=false 的 379 张可用标注图，统一按 35px 点击半径判定。

方案	准确率	平均速度	特点
glm-coding-grabber 完整管道 + Windows 字体	363/379 = 95.8%	257ms/张	更轻、更快，但大样本下仍有失败
本项目 PP-OCRv5 server + YOLO + 提示字约束（旧）	379/379 = 100%	1189ms/张	稳定，但慢
本项目 PP-OCRv6 tiny + YOLO + 提示字约束（当前）	379/379 = 100%	110ms/张	稳定，且比 v5 server 快约 11 倍；tiny 主路径 + v6 medium 兜底，379 张实测 0% 兜底触发

上述 v6/v5 数据为同条件单进程端到端实测（AMD Ryzen 5 3600，含 YOLO 检测 + OCR + 提示字约束排序，35px 点击半径判定）。实际部署用多 worker 并行，速度更快。

更严格点击半径下的压力测试结果（v5 旧管道数据，v6 在各半径下同为 100%）：

点击半径	glm-coding-grabber 完整管道	本项目 PP-OCRv5 server	本项目 PP-OCRv6 tiny
10px	339/379 = 89.4%	379/379 = 100%	379/379 = 100%
15px	359/379 = 94.7%	379/379 = 100%	379/379 = 100%
20px	362/379 = 95.5%	379/379 = 100%	379/379 = 100%
25px	363/379 = 95.8%	379/379 = 100%	379/379 = 100%
35px	363/379 = 95.8%	379/379 = 100%	379/379 = 100%

结论：轻量 ddddocr 管道的优势是体积小，适合作为备用模式；本项目当前 PP-OCRv6 tiny + YOLO + 提示字约束方案在准确率（100%）、速度（~110ms/张）和稳定性上均优于 v5，tiny 主路径快、v6 medium 兜底准确。