前面有提到说借助大语言模型将Fluent的用户文档和理论文档给机翻了一遍（见Fluent理论文档中文版V1及Fluent UserGuide中文版）。后台有道友问使用了哪些大模型。基于好东西不能藏私的指导思想，这里就来逐个介绍一下。

1 文档本地化

第一步工作是将文档转化为本地markdown格式。这里有两种方式：

1. 数学公式非常多的文档。比如Theory Guide，里面有大量的数学公式需要转化成latex格式，一个个的识别肯定不太现实。这里使用的是Doc2x(官网地址：https://doc2x.noedgeai.com/)，不过这货现在收费了，1000页文档需要11块。公式识别效果还不错，不过对于文本格式（如加粗、斜体等）的识别效果不佳。非常适合于大量公式需要处理的文档。如果不想花钱，开源的话也可以选择使用Marker（地址：https://github.com/VikParuchuri/marker）、MinerU（地址：https://github.com/opendatalab/MinerU）或pymupdf4llm（官网地址：https://pypi.org/project/pymupdf4llm/）等。不过开源程序在应付复杂文档时可能会效果不佳。
2. 文本格式比较多的文档。如User Guide。文档中包含有大量的格式样式（加粗、斜体、缩进、列表、表格等）。这类文档使用上面的工具效果都很差。一般情况下可以打开网页版，然后直接将页面内容拷贝到markdown编辑器（如typora、obsidian等）中，可以完整保留原文格式。

2 文档翻译及润色

现阶段我使用的是大语言模型进行翻译。主要是考虑专业术语翻译和后期的文本润色。目前大语言模型对专业术语的识别效果还是挺不错的，而且可以读取整段文本进行翻译，这与传统的逐句翻译模式不同。

目前主要使用的是国产大模型qwen2.5-72B与deepseek。其中qwen2.5-72B主要用于翻译，而deepseek则主要用于润色，总体上来看效果还是挺不错的。使用过程中个人感觉就翻译效果来说千问商业大模型（包括turbo、pro和max版）实际效果远不如其开源的72B版本，而deepseek的中文表达能力个人觉得相当好，很符合本人的语言表达习惯。

qwen2.5-72B与deepseek均使用的是硅基流动（地址：https://siliconflow.cn/zh-cn/）提供的api。

为了方便，在使用过程中还用到了一个名为Cherry Studio（地址：https://cherry-ai.com/）的前端工具，此工具支持定义智能体，因此只需要将智能体定义后，后续就能够将待翻译的markdown文件扔进去自行翻译和润色了。

3 文档校对

这个目前没有那么好的工具，只能靠人工了。

（完）