近期，一项关于谷歌Gemini 2.5 Pro模型的最新报告引起了广泛关注。这款AI模型被誉为首款能够全面理解PDF文档布局的模型，其强大的视觉解析能力令人瞩目。
谷歌于3月25日首次向付费用户和开发者推出了Gemini 2.5 Pro的实验版本，紧接着在四天后，便通过免费的Web应用向全球用户开放。这一迅速的动作展示了谷歌对于该模型的高度自信。
Gemini 2.5 Pro不仅在提取PDF文档中的文本内容方面表现出色，更令人惊叹的是其对于文档视觉布局的理解能力。无论是图表、表格还是整体排版，该模型都能准确捕捉并解析。这意味着用户在使用该模型时，可以获得更为精确和直观的引用功能。
谷歌在开发者文档中透露，Gemini 2.5 Pro具备“原生视觉”能力，能够同时处理最多3000个PDF文件，每个文件的上限为1000页或50MB。该模型还拥有高达100万token的上下文窗口，未来还将扩展至200万token。这样的配置确保了模型在处理复杂文档时的稳定性和准确性。
在对比测试中，Gemini 2.5 Pro的IoU（交并比）精度达到了0.804，远超其他模型如OpenAI的GPT-4o（0.223）和Claude 3.7 Sonnet（0.210）。这一结果充分展示了Gemini 2.5 Pro在空间理解能力上的优势。
除了以上功能外，Gemini 2.5 Pro还为用户带来了全新的文档交互模式。通过直观的视觉反馈和精确的文本定位功能，用户可以更加便捷地获取所需信息，并验证信息的准确性。这种清晰度和交互性是现有工具无法比拟的。
