本文介绍了如何利用GLM 4.6v模型实现PDF论文的图文混排解读文章生成。文章详细阐述了模型调用工具、处理图片位置、迭代裁剪结果等关键步骤并分享了作者逆向复刻的实践经验。内容适合对AI智能体感兴趣的程序员和小白通过学习可以掌握大模型在多模态任务中的应用实现高效的信息处理和内容创作。GLM 4.6V 是一个多模态原生智能体我们可以看一下下边的视频。大概的步骤是模型会先生成一个带工具槽位的初版然后进行图片引用调用裁剪工具捞回来图片最后完成终稿的撰写。其实从Z.ai 服务请求日志也可以看到具体的工具调用信息。相当于类似一个ReAct Agent调用工具截图相当于获取到observation然后进行下一步的Action。如果想做一个自由度没这么高的一个架构类似下图基于这个模式我复刻了一套代码。结果跟ZAI跑出来的结果基本一致。重点是复刻过程中我发现了几个非常有意思的点后文会详细介绍一下。跑一篇20页的论文大概消耗1毛5的样子。如果用量比较多可以考虑智谱的GLM Coding Plan20 元包月起用量是同价位 Claude Code 的三倍。而且官方提供了一系列适配4.6v的MCP 使用起来会更顺手。三个有意思的能力模型知道图片的精确位置这是Glm4.6V 最让我惊讶的能力。模型不仅能理解图片内容还能输出图片在页面上的坐标比如前面调用图片裁剪工具我让模型输出的格式如下[页码, [[x1, y1, x2, y2]], 图片标题]需要注意的是模型的输出坐标是千分位坐标0-999 范围需要按比例转换成像素坐标。 当然如果用官方mcp tools没这个烦恼。def thousandth_to_pixel(coord, image_width, image_height): 千分位坐标转像素坐标 x1 int(coord[0] / 1000 * image_width) y1 int(coord[1] / 1000 * image_height) x2 int(coord[2] / 1000 * image_width) y2 int(coord[3] / 1000 * image_height) return [x1, y1, x2, y2]为什么是千分位因为不同分辨率的图片像素坐标会变但千分位坐标是相对的更具通用性。一次输入几十张图片一篇 20 页的 PDF转成图片后全部塞进去模型能完整理解128k确实不是吹的。这让我想起不久前智谱的另一个工作Glyph把文本渲染成图片让视觉 token 承载更多信息。传统的 token 扩展方式已经走到算力成本的天花板。与其硬扛百万级token的计算压力不如让 AI看文字而不是读文字。所以过去我们头痛的解析、分块等操作随着多模态模型的变强似乎迎刃而解了。可以基于裁剪结果持续迭代获取到裁剪后的图片之后如果只是简单的字符串替换直接正则就够了。但如果用VLM在第二轮可以验证裁剪是不是正确可以调整图片周围的文字可以优化图文的排版位置。GLM-4.6V 就是一个原生的 Agent。最后多模态时代的 Agent 和纯文本时代完全不一样。模型不再只是读信息而是看信息。它知道 Figure 2 在第 4 页的左上角知道 Table 3 的边界在哪里知道如何把这些视觉元素编排到文章中。非常符合GLM4.6V的宣传语 不止能看更能执行。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。对于想入局大模型、抢占未来10年行业红利的程序员和小白来说现在正是最好的学习时机行业缺口大、大厂需求旺、薪资天花板高只要找准学习方向稳步提升技能就能轻松摆脱“低薪困境”抓住AI时代的职业机遇。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】