最新報告指出，谷歌旗下的 Gemini 2.5 Pro 模型能準確解析 PDF 文檔的視覺結構，實現精準的視覺引用功能，成為首款能完全理解 PDF 布局的 AI 模型。

　　IT之家注：谷歌于 3 月 25 日向付費用戶和開發者發布 Gemini 2.5 Pro 實驗模型，僅隔 4 天時間，谷歌便通過免費 Web 應用向全球用戶開放。

　　Gemini 2.5 Pro 不僅能提取 PDF 文檔中的文本內容，還能理解其視覺布局，包括圖表、表格和整體排版。

　　谷歌在開發者文檔中表示，該模型具備“原生視覺”(Native Vision)能力，支持處理最多 3000 個 PDF 文件(每個文件上限為 1000 頁或 50MB)，同時擁有 100 萬 token 的超大上下文窗口，未來計劃擴展至 200 萬 token。

　　AI 初創公司 Matrisk 的聯合創始人 Sergey Filimonov 特別贊揚了 Gemini 2.5 Pro 在 PDF 視覺引用上的表現。

　　Filimonov 指出，傳統的文本分割方法會切斷用戶與原文的視覺聯系，導致無法直觀驗證信息的來源。甚至在 ChatGPT 中，點擊引用也只能下載 PDF，迫使用戶自行判斷模型是否“幻覺”，這嚴重損害了用戶信任。

　　過去，引用文檔內容往往只能高亮大段無關文本，精準度極低。Gemini 2.5 徹底改變這一現狀，它不僅能將提取的文本片段映射回原始 PDF 的確切位置，還能以前所未有的精度鎖定特定句子、表格單元甚至圖像。

　　這種技術突破為用戶提供了直觀的視覺反饋，例如在詢問房屋費率變化時，系統能直接高亮文檔中相關數據(如 15.4% 的費率變化)，并標注來源依據。

　　這種清晰度和交互性是現有工具無法企及的。Gemini 2.5 不僅優化了現有流程，更開啟了全新的文檔交互模式。

　　相比之下，Gemini 2.5 以 0.804 的 IoU(交并比)精度大幅領先其他模型，如 OpenAI 的 GPT-4o(0.223)和 Claude 3.7 Sonnet(0.210)，展現出驚人的空間理解能力。

　　Gemini 2.5 的潛力遠不止于文本定位。它還能從 PDF 中提取結構化數據，同時明確標注每個數據的來源位置，解決下游決策中因數據來源不明而產生的信任障礙。