力压群雄：谷歌 Gemini 2.5 Pro 成首款完全理解 PDF 布局的 AI 模型，可精确引用

GoodNav 4 月 22 日报道，最新研究表明，谷歌的 Gemini 2.5 Pro 模型能够准确解析 PDF 文件的视觉结构，实现精确的视觉引用功能，成为第一款完全理解 PDF 布局的人工智能模型。

值得注意的是，谷歌在 3 月 25 日首次向付费用户和开发者发布了 Gemini 2.5 Pro 的实验版本，仅四天后，便通过免费 Web 应用向全球用户开放了该功能。

Gemini 2.5 Pro 能够提取 PDF 文档中的文本内容，并理解其视觉布局，如图表、表格及整体排版。

谷歌在开发者文档中说明，该模型具备“原生视觉”（Native Vision）能力，可以处理最多 3000 个 PDF 文件（每个文件限制为 1000 页或 50MB），并拥有 100 万 token 的超大上下文窗口，未来有计划扩展至 200 万 token。

AI 初创企业 Matrisk 的联合创始人 Sergey Filimonov 对 Gemini 2.5 Pro 在 PDF 视觉引用方面的卓越表现给予了高度评价。

Filimonov 指出，传统文本分割方法会破坏用户与原始文本的视觉连接，使其难以直观验证信息来源。甚至在 ChatGPT 中，点击引用后只会下载 PDF，迫使用户自行判断模型是否存在“幻觉”，这严重削弱了用户的信任。

过去，引用文档内容往往只能通过高亮显示大段无关文本，精准度极低。而 Gemini 2.5 彻底改变了这一局面，它不仅能够将提取的文本片段映射回原始 PDF 的准确位置，还能以前所未有的精度定位具体句子、表格单元甚至图像。

这种技术突破为用户提供了清晰的视觉反馈。例如，当询问房屋费率变化时，系统能直接高亮显示文档中相关数据（如 15.4% 的费率变化），同时标注其来源依据。

这种清晰度和互动性是现有工具无法比拟的。Gemini 2.5 不仅优化了现有流程，还开启了全新的文档交互模式。

相比之下，Gemini 2.5 以 0.804 的 IoU（交并比）精准度远超其他模型，如 OpenAI 的 GPT-4o（0.223）和 Claude 3.7 Sonnet（0.210），展现出惊人的空间理解能力。

Gemini 2.5 的潜力不仅限于文本定位。它还可以从 PDF 中提取结构化数据，并明确标记每个数据的来源位置，从而解决因数据来源不明确导致的下游决策信任问题。