Gemini API 支持 PDF 输入，包括长文档（最多 1, 000 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 文档的一些可能方式。
技术详情
Gemini 最多支持 1,000 个文档页面。文档页面必须采用以下文本数据 MIME 类型之一：
- PDF -
application/pdf - JavaScript -
application/x-javascript、text/javascript - Python -
application/x-python、text/x-python - TXT -
text/plain - HTML -
text/html - CSS -
text/css - Markdown -
text/md - CSV -
text/csv - XML -
text/xml - RTF -
text/rtf
每页文档相当于 258 个词元。
除了模型的上下文窗口之外，文档中的像素数量没有具体限制，但较大的页面会缩小到最大分辨率 3072x3072，同时保留其原始宽高比，较小的页面会放大到 768x768 像素。除了带宽之外，较小尺寸的网页不会降低费用，较高分辨率的网页也不会提升性能。
为了达到最佳效果，请注意以下事项：
- 请先将页面旋转到正确的方向，然后再上传。
- 避免网页模糊不清。
- 如果使用单个页面，请将文本提示放在该页面后面。
后续步骤
如需了解详情，请参阅以下资源：