如图，将下载好的压缩文件直接拖入管理页面。拓展插件安装完成（请注意需要打开浏览器的“开发者模式”）。

该插件支持调用多个第三方翻译平台的接口，包括传统机器翻译（如百度翻译、谷歌翻译等），也支持大语言模型翻译（如DeepL, OpenAI, Azure等）。用户需要依照提示，设置翻译服务提供商（这里笔者已经设置好“火山翻译”）。若缺失该步骤，默认翻译服务提供商为“微软翻译”。

将本地的pdf文件托入浏览器，文件被打开。单击拓展插件，选择“点击翻译pdf”.

在新页面中，原文献翻译成功，并且格式对齐效果良好。屏幕左右形成双语对照。

如果对翻译结果不满意，用户可以手动修改。如下图，请注意被选中的一行字是笔者添加的。

点击右上方“保存”按钮，全文翻译的结果可以以pdf的格式保存到本地。

由此，利用该浏览器插件和第三方大语言翻译模型接口，可以实现本地pdf格式文件的翻译、修改和输出保存。

根据笔者的体验，在很多情况下，大语言模型翻译结果胜势明显。下面的例子能够证明这一点。

DeepL 和 微软翻译 的对比：

OpenAI 和 谷歌翻译 的对比：

大语言模型（如神经机器翻译系统，NMT）往往比传统的机器翻译系统（如基于规则的机器翻译，RBMT，和统计机器翻译，SMT）提供更高质量的翻译结果，主要原因应当包括以下几点：

a.复杂性处理能力：NMT使用深度学习技术，特别是循环神经网络（RNN）和注意力机制，能够捕捉和学习源语言和目标语言之间的复杂和长距离依赖关系。这使得NMT能够更好地处理自然语言的复杂性和多样性。

b.语境理解：NMT通过大量的双语语料库进行训练，使其能够更好地理解语境和上下文信息。这意味着NMT在翻译时能够考虑到整个句子或段落的含义，而不仅仅是单词或短语的直接对应。

c.语义和语法的准确性：由于NMT能够学习语言的深层语义和语法结构，它在处理歧义和复杂语法结构时通常比传统模型更为准确。这减少了错误翻译和不自然表达的可能性。

d.数据驱动的学习：NMT系统通常使用大规模的数据集进行训练，这些数据集包含了各种语言风格和领域的样本。这种广泛的训练数据使得NMT能够适应多种翻译任务和需求。

e.端到端学习：NMT系统通常采用端到端的学习方式，这意味着从输入到输出的整个过程都是自动化的，不需要手动设计特征或规则。这种方法使得模型能够自我调整和优化翻译策略。

f.适应性和灵活性：NMT模型可以通过微调来适应特定的领域或语言对，从而提供更符合特定需求的翻译结果。这种灵活性是传统机器翻译系统难以比拟的。

g.持续的技术进步：随着人工智能和机器学习领域的快速发展，NMT系统不断得到改进和优化。新的模型和技术，如Transformer架构和预训练语言模型，进一步提高了翻译质量。

更高的翻译质量在降低研究者的理解难度、辅助研究者理解文意和抓取有效信息方面十分重要。推广到翻译类学术文献上，恰当地利用大语言模型，能够助力研究者搜索与理解翻译类学术文献。