这里是AI贴吧网-AI资讯的硬核前线！我们24小时监测全球实验室动态，算法追踪巨头动向、代码解析学术突破，用最“硅基”视角解秘AI革命浪潮！

最新报告指出，谷歌旗下的Gemini2.5Pro模型能准确解析PDF文档的视觉结构，实现精准的视觉引用功能，成为首款能完全理解PDF布局的AI模型。

注：谷歌于3月25日向付费用户和开发者发布Gemini2.5Pro实验模型，仅隔4天时间，谷歌便通过免费Web应用向全球用户开放。

Gemini2.5Pro不仅能提取PDF文档中的文本内容，还能理解其视觉布局，包括图表、表格和整体排版。

谷歌在开发者文档中表示，该模型具备“原生视觉”（NativeVision）能力，支持处理最多3000个PDF文件（每个文件上限为1000页或50MB），同时拥有100万token的超大上下文窗口，未来计划扩展至200万token。

AI初创公司Matrisk的联合创始人SergeyFilimonov特别赞扬了Gemini2.5Pro在PDF视觉引用上的表现。

Filimonov指出，传统的文本分割方法会切断用户与原文的视觉联系，导致无法直观验证信息的来源。甚至在ChatGPT中，点击引用也只能下载PDF，迫使用户自行判断模型是否“幻觉”，这严重损害了用户信任。

过去，引用文档内容往往只能高亮大段无关文本，精准度极低。Gemini2.5彻底改变这一现状，它不仅能将提取的文本片段映射回原始PDF的确切位置，还能以前所未有的精度锁定特定句子、表格单元甚至图像。

这种技术突破为用户提供了直观的视觉反馈，例如在询问房屋费率变化时，系统能直接高亮文档中相关数据（如15.4%的费率变化），并标注来源依据。

这种清晰度和交互性是现有工具无法企及的。Gemini2.5不仅优化了现有流程，更开启了全新的文档交互模式。

相比之下，Gemini2.5以0.804的IoU（交并比）精度大幅领先其他模型，如OpenAI的GPT-4o（0.223）和Claude3.7Sonnet（0.210），展现出惊人的空间理解能力。

提供商模型IOU简评Gemini2.5Pro0.804非常优秀Gemini2.5Flash0.614有时表现不错Gemini2.0Flash0.395OpenAIgpt-4o0.223OpenAIgpt-4.10.268OpenAIgpt-4.1-mini0.253Claude3.7Sonnet0.210

Gemini2.5的潜力远不止于文本定位。它还能从PDF中提取结构化数据，同时明确标注每个数据的来源位置，解决下游决策中因数据来源不明而产生的信任障碍。

想掌握最新AI隐藏技能？挖透巨头紧急下架产品的真相？点击【AI贴吧网-AI资讯】，深度解析+实战案例，智能刷新你的认知！