基于开源大模型打造图片改字工具：实测GLM-5.1代码能力

在日常工作中，你是否遇到过这样的场景：看到一张不错的封面图，只是想修改其中的几个字，却需要借助复杂的设计工具重新制作？传统方式不仅耗时耗力，即使是使用现有的图像编辑模型，也很难精准控制局部文字的修改。

核心技术实现路径

为了解决这个痛点，我基于GLM-5.1模型开发了一个图片改字工具。工具的使用流程非常简洁：上传图片后，系统会自动识别并提取其中的文字，用户只需选中需要修改的文本段落，即可生成一张修改后的新图。

GLM-5.1模型的实际表现

整个工具的实现分为两个关键步骤。第一步是文字识别与定位：通过视觉识别模型对图片进行结构化解析，不仅识别文字内容，还要准确标注每段文字在图片中的坐标位置。第二步是精准局部编辑：明确需要修改的文字区域后，将原图、目标区域和新文本内容一起交给图像编辑模型，仅对该区域进行修改而非重做整张图片。

选择GLM-5.1作为核心模型，主要基于其突出的代码能力。根据公开数据，GLM-5.1在三项综合评分中取得全球模型第三、国产模型第一、开源模型第一的成绩。在实际开发过程中，我通过与搭载GLM-5.1的Claude Code持续对话完成整个应用的构建，而非一开始就编写完整方案。

GLM-5.1给我最深的感受是其长任务稳定性。在复杂应用开发场景中，需要模型完成从任务拆解、执行再到问题修复的完整链路。GLM-5.1在这类多步骤、多工具配合的场景下表现可靠，能够持续推进任务完成。

写在最后

整个应用最终包含三个核心模块：工作台实现上传图片、自动文字解析和指哪改哪的功能；灵感库用于存储常用封面图片便于快速复用；历史记录模块保存每次生成结果便于回溯。这些功能都是通过与GLM-5.1协作逐步完善而来的。

如有侵权，请联系删除。