近期，一項關(guān)于谷歌Gemini 2.5 Pro模型的最新報告引起了廣泛關(guān)注。這款AI模型被譽為首款能夠全面理解PDF文檔布局的模型，其強大的視覺解析能力令人矚目。
谷歌于3月25日首次向付費用戶和開發(fā)者推出了Gemini 2.5 Pro的實驗版本，緊接著在四天后，便通過免費的Web應用向全球用戶開放。這一迅速的動作展示了谷歌對于該模型的高度自信。
Gemini 2.5 Pro不僅在提取PDF文檔中的文本內(nèi)容方面表現(xiàn)出色，更令人驚嘆的是其對于文檔視覺布局的理解能力。無論是圖表、表格還是整體排版，該模型都能準確捕捉并解析。這意味著用戶在使用該模型時，可以獲得更為精確和直觀的引用功能。
谷歌在開發(fā)者文檔中透露，Gemini 2.5 Pro具備“原生視覺”能力，能夠同時處理最多3000個PDF文件，每個文件的上限為1000頁或50MB。該模型還擁有高達100萬token的上下文窗口，未來還將擴展至200萬token。這樣的配置確保了模型在處理復雜文檔時的穩(wěn)定性和準確性。
在對比測試中，Gemini 2.5 Pro的IoU（交并比）精度達到了0.804，遠超其他模型如OpenAI的GPT-4o（0.223）和Claude 3.7 Sonnet（0.210）。這一結(jié)果充分展示了Gemini 2.5 Pro在空間理解能力上的優(yōu)勢。
除了以上功能外，Gemini 2.5 Pro還為用戶帶來了全新的文檔交互模式。通過直觀的視覺反饋和精確的文本定位功能，用戶可以更加便捷地獲取所需信息，并驗證信息的準確性。這種清晰度和交互性是現(xiàn)有工具無法比擬的。
