目录
[claude code中安装MCP](#claude code中安装MCP)
#视觉理解MCP、#GLM我的编码搭子
前言
正在写论文综述的时候看到GLM开发者群有GLM-4.6V 多模态能力测评的活动，刚好利用本次活动试用一下GLM-4.6V。
开发背景
目前由于翻译软件的限制，论文翻译并不能翻译包括图、表之类的内容，只能翻译可编辑的PDF正文，此时如果有一个能读懂图表的大模型，则能大大降低阅读论文与理解论文的时间。
claude code中安装MCP
参考视觉理解 MCP - 智谱AI开放文档 (bigmodel.cn)
claude mcp add -s user zai-mcp-server --env Z_AI_API_KEY=API代码 -- npx -y "@z_ai/mcp-server"
显示：
在claude code中确认
测试
我的测试图片如下，是MOOSE的pipeline思路图：
输入
bash
hi describe this C:\Users\Administrator\Desktop\开题\fig\MOOSE.png得到结果：
翻译
这是一张技术示意图，展示了 MOOSE 算法框架。以下是它的内容：
整体结构
该图描绘了一个迭代过程，包含多个轮次，用于从文献中生成和优化科学假设：
左侧 - 主流程：
- 输入 (I)：文献语料库（左侧的粉色圆柱体）
- 背景节点 (b)：一个中心背景知识组件（顶部的绿色圆圈）
- 一轮迭代：显示从 i₁₁ → i₁₂ → ... → i₁ₚ 的进展
- 每个灵感节点 (i) 生成假设节点 (h)，以黄色/橙色显示在下方
- 评分分数 (r) 与每个假设相关联
- 流程继续到第二层，包含节点 i₂₁, i₂₂, ..., i₂q
右侧 - 详细过程： 展示突变-优化-重组循环：
- 从 b（背景）和 i（灵感）开始
- 突变：创建多个假设变异（m₁¹, m₂¹, mₙ¹）
- 优化：多次优化迭代，生成后续代（m₁², m₂² 等）
- 重组：将优化后的假设组合成最终假设 (h)
图例：
- b: 背景
- i: 灵感
- h: 假设
- m: 假设变异
- r: 评分分数
- I: 文献语料库
这似乎是一种多目标优化或进化算法，用于从学术文献中自动生成和优化科学假设。
结果分析
结果比我想象中的好的多，不仅识别出了pipeline的具体流程，还能一针见血的指出这是一个进化算法。与论文原文比对后发现其基本理解正确！说明国产模型的潜力无限。
免费试用
欢迎大家通过我的邀请链接注册即可获得 2000万Tokens 大礼包，期待和你一起在BigModel上畅享卓越模型能力
https://www.bigmodel.cn/invite?icode=ViYqnIUjbCH%2BH4HQKxZgabC%2Fk7jQAKmT1mpEiZXXnFw%3D
