GLM Multimodal Analyzer

---

name: Multimodal Analyzer slug: multimodal version: 1.0.0 description: 使用GLM-4.6V模型进行多模态内容理解（图片、视频、文档）

---

Multimodal Understanding Skill

使用智谱GLM-4.6V模型理解图片、视频、文档内容。

功能

图片理解：OCR、场景分析、物体检测、属性识别

视频理解：内容摘要、关键帧分析

文档理解：PDF、复杂表格解析

深度思考模式：开启后进行深层推理分析

使用方式

理解这张图片：[图片URL或本地路径]
分析这个视频：[视频URL]
这个PDF讲什么：[PDF URL]

技术细节

模型：GLM-4.6V (106B, 128K上下文)

API端点：https://open.bigmodel.cn/api/paas/v4/chat/completions

需要ZHIPU_API_KEY环境变量

限制

不支持同时处理图片+视频+文件（只能选一种模态）

视频URL需要公网可访问

调用脚本

调用 scripts/analyze.py 进行分析：

python scripts/analyze.py --type image|video|file --input  --prompt "你的问题"

参数：

--type: 输入类型 (image/video/file)

--input: URL或本地文件路径

--prompt: 分析提示词

--thinking: 启用深度思考模式

--stream: 流式输出