文档理解

Gemini API 支持 PDF 输入，包括长篇幅文档（最多 3, 600 页）。Gemini 模型使用原生视觉功能处理 PDF，因此能够理解文档中的文本和图片内容。借助原生 PDF 视觉支持，Gemini 模型能够：

  • 分析文档中的图表、图表和表格
  • 将信息提取为结构化输出格式
  • 回答有关文档中视觉内容和文本内容的问题
  • 总结文档
  • 转写文档内容（例如转写为 HTML），保留布局和格式，以便在下游应用中使用

本教程演示了使用 Gemini API 处理 PDF 文档的一些可能方法。

后续步骤

如需了解详情，请参阅以下资源：

  • 文件提示策略：Gemini API 支持使用文本、图片、音频和视频数据进行提示，也称为多模态提示。
  • 系统指令：借助系统指令，您可以根据自己的特定需求和使用情形来控制模型的行为。