Gemini API, PDF इनपुट के साथ काम करता है. इसमें लंबे दस्तावेज़ (ज़्यादा से ज़्यादा 3,600 पेज) भी शामिल हैं. Gemini मॉडल, नेटिव विज़न की मदद से PDF को प्रोसेस करते हैं. इसलिए, ये दस्तावेज़ों में मौजूद टेक्स्ट और इमेज, दोनों कॉन्टेंट को समझ सकते हैं. PDF व्यू की नेटिव सुविधा की मदद से, Gemini मॉडल ये काम कर सकते हैं:
- दस्तावेज़ों में मौजूद डायग्राम, चार्ट, और टेबल का विश्लेषण करें.
- जानकारी को स्ट्रक्चर्ड आउटपुट फ़ॉर्मैट में निकालें.
- दस्तावेज़ों में मौजूद विज़ुअल और टेक्स्ट कॉन्टेंट के बारे में सवालों के जवाब देना.
- दस्तावेज़ों की खास जानकारी देना.
- दस्तावेज़ के कॉन्टेंट को एचटीएमएल में बदलें. साथ ही, लेआउट और फ़ॉर्मैटिंग को बनाए रखें, ताकि इसे डाउनस्ट्रीम ऐप्लिकेशन (जैसे, RAG पाइपलाइन) में इस्तेमाल किया जा सके.
इस ट्यूटोरियल में, PDF दस्तावेज़ों के साथ Gemini API का इस्तेमाल करने के कुछ संभावित तरीके दिखाए गए हैं. पूरा आउटपुट सिर्फ़ टेक्स्ट में होता है.
आगे क्या करना है
इस गाइड में, generateContent का इस्तेमाल करने और प्रोसेस किए गए दस्तावेज़ों से टेक्स्ट आउटपुट जनरेट करने का तरीका बताया गया है. ज़्यादा जानने के लिए, ये संसाधन देखें:
- फ़ाइल के लिए प्रॉम्प्ट करने की रणनीतियां: Gemini API, टेक्स्ट, इमेज, ऑडियो, और वीडियो डेटा के साथ प्रॉम्प्ट करने की सुविधा देता है. इसे मल्टीमॉडल प्रॉम्प्ट भी कहा जाता है.
- सिस्टम के निर्देश: सिस्टम के निर्देशों की मदद से, अपनी ज़रूरतों और इस्तेमाल के उदाहरणों के आधार पर, मॉडल के व्यवहार को कंट्रोल किया जा सकता है.
- सुरक्षा से जुड़े दिशा-निर्देश: कभी-कभी जनरेटिव एआई मॉडल, अनचाहे आउटपुट देते हैं. जैसे, गलत, पक्षपातपूर्ण या आपत्तिजनक आउटपुट. ऐसे आउटपुट से होने वाले नुकसान को कम करने के लिए, पोस्ट-प्रोसेसिंग और मानवीय आकलन ज़रूरी है.