Google悄悄地將其Gemini 2.5 Pro（實驗）模型從3月29日開始，使用其免費的Web應用程序可供所有人使用，這是在3月25日首次25日首次亮相後的幾天，用於付費訂戶和開發人員。這種廣泛的可用性將該模型更有趣，最近突出的功能之一帶給了大眾受眾:不僅是理解PDF文檔中文本的明顯訣竅，還可以理解它們的視覺結構。
Filimonov, Co-Founder of Matrisk, an AI startup specialized in insurance filing management, suggests Gemini 2.5 Pro marks a departure from previous large language models by offering superior PDF handling capabilities.
Filimonov focused on a persistent problem for Retrieval-Augmented Generation (RAG) systems – frameworks that combine LLMs with external knowledge retrieval – namely, accurately引用冗長文檔中的信息。他描述了將近兩年的測試模型，以查明PDF頁面圖像中文本的確切位置（邊界框）的能力。
他寫道，結果直到測試Gemini 2.5 Pro。在他的內部評估中，該模型達到了與聯合分數（IOU）分數的交集-這是該特定任務的預測邊界框與實際一個框之間的重疊的度量標準，為0.804，表明對文本在頁面上的視覺位置有很強的掌握。 Filimonov得出結論，這使得“精確，視覺pdf引用……是現實。 ”
解碼文檔設計
Google自己的開發人員文檔對此觀察提供了支持。它可以使用“本地視覺”，允許它們允許它們允許單純的文本提取性能，包括圖表，整個圖表，
大約100萬個令牌上下文窗口，使其能夠有效攝入和分析冗長的文件。 Gemini API文檔詳細介紹了功能，例如分析這些視覺元素，提取結構化信息，基於組合文本和視覺效果回答問題，並將PDF轉錄為其他格式，同時試圖保留原始佈局。
通過頂點AI進行技術規格來保存最多可處理3,000 pdf文件，並在個人文件中處理多達3,000個PDF，並將其提示為1,000 page或1,000 page。一些第三方評論，例如在及時工程替代上發表了，特別是在官方文檔列表“空間推理”列表“空間推理”作為“限制” ， iime the Mode noce noce noce noce at p. iim at teck at p. iim at p. apocts at p. iim at teck at p. at p. ate at p. “
這表明，儘管Gemini 2.5 Pro顯示出在理解某些任務的佈局方面的希望，例如經過測試的Filimonov，在文檔中的所有空間查詢中實現了精確的準確性，對於正在開發的領域仍然是一個正在開發的領域，可能會導致使用確切的位置的不一致性。
真空不存在這種發展。競爭對手人類為其Claude 3.5十四行詩模型
Performance Profile
Beyond PDF handling, Gemini 2.5 Pro’s general capabilities, built on a 1 million token context window (with根據Google 3月25日的公告計劃的200萬個，包括多式聯運推理的出色表現（在MMMU基准上得分為81.7％）和復雜的數學（在Aime 2024中為92.0％）。
。
，但是，它面對僵硬的競爭，在某些事實召回的測試中，諸如gpt-4.5的型號（如gpt-homply tests tests 52. 52. 52. vct）（52. 52. vct）gpt。 Anthropic的Claude 3.7十四行詩在自動編碼練習中。這將Gemini 2.5 Pro定位為具有特定優勢的強大且多才多藝的模型，尤其是在多模式和長篇小說任務中，但其性能取決於特定的應用程序域而變化。
