Processar documentos com o analisador de layout do Gemini

O analisador de layout da Document AI é um serviço avançado de análise de texto e compreensão de documentos que converte conteúdo não estruturado de arquivos complexos em informações altamente estruturadas, precisas e legíveis por máquina. Ele combina os modelos especializados de reconhecimento de caracteres de objetos (OCR) do Google com os recursos de IA generativa do Gemini. Ele entende a estrutura completa do documento, identificando elementos como tabelas, figuras, listas e cabeçalhos, preservando as relações contextuais entre eles, como quais parágrafos pertencem a qual cabeçalho.

Ele foi projetado para resolver um problema crítico da pesquisa e da geração aumentada de recuperação (RAG): o OCR padrão achata os documentos, destruindo o contexto e a estrutura que adicionam significado valioso, como cabeçalhos, tabelas e listas.

Principais casos de uso

• OCR de documentos:pode analisar texto e elementos de layout, como título, cabeçalho, rodapé, estrutura de tabela e figuras de documentos PDF.
• Pesquisa e RAG de alta fidelidade:o uso principal é preparar documentos para pipelines de pesquisa e RAG. Ao criar partes com reconhecimento de contexto, ela melhora muito a qualidade da recuperação e a precisão das respostas geradas.
• Ingestão de dados estruturados:ela pode analisar documentos complexos (como registros 10-K ou relatórios) e indexar conteúdo estruturado (como tabelas analisadas ou descrições de imagens) em bancos de dados, conforme demonstrado com o BigQuery.

Como funciona

O analisador de layout do Gemini processa documentos em um pipeline de várias etapas projetado para preservar o significado semântico:

• Análise e estrutura:o documento é ingerido. Todos os elementos são identificados e organizados em um formato de árvore. Esse campo proto DocumentLayout preserva a hierarquia inerente do documento.
• Anotar e verbalizar:pré-lançamento As funcionalidades generativas do Gemini são usadas para verbalizar elementos visuais complexos. Figuras, gráficos e tabelas são anotados com descrições textuais detalhadas.
• Fragmentação e aumento:o documento analisado e as anotações dele são usados para criar fragmentos semanticamente coerentes. Esses trechos são aumentados com informações contextuais, como os cabeçalhos ancestrais, para garantir que o significado do trecho seja preservado mesmo quando recuperado isoladamente.

Versões do processador

Os seguintes modelos estão disponíveis para o analisador de layout. Para mudar as versões do modelo, consulte Gerenciar versões do processador.

Para fazer uma Solicitação de Aumento de Cota (QIR, na sigla em inglês) para a cota padrão de processador, siga as etapas em Gerenciar sua cota.

Versão do modelo	Descrição	Canal de lançamento	Data de lançamento
pretrained-layout-parser-v1.0-2024-06-03	Versão de disponibilidade geral para análise de layout de documentos. Essa é a versão padrão do processador pré-treinado.	Estável	3 de junho de 2024
pretrained-layout-parser-v1.5-2025-08-25	Versão de pré-lançamento com tecnologia do LLM Gemini 2.5 Flash para melhor análise de layout em arquivos PDF. Recomendado para quem quer testar novas versões. Observação:se for usado para arquivos que não são PDF, ele terá o mesmo comportamento do pretrained-layout-parser-v1.0-2024-06-03 estável.	Versão candidata a lançamento	25 de agosto de 2025
pretrained-layout-parser-v1.5-pro-2025-08-25	Versão de pré-lançamento com tecnologia do LLM Gemini 2.5 Pro para melhor análise de layout em arquivos PDF. A v1.5-pro tem uma latência maior do que a v1.5. Observação:se for usado para arquivos que não são PDF, ele terá o mesmo comportamento do pretrained-layout-parser-v1.0-2024-06-03 estável.	Versão candidata a lançamento	25 de agosto de 2025

Principais recursos

Nesta documentação, o analisador de layout do Gemini se refere a versões pré-treinadas baseadas no Gemini, como pretrained-layout-parser-v1.5-2025-08-25 e pretrained-layout-parser-v1.5-pro-2025-08-25. O analisador de layout do Gemini oferece os seguintes recursos principais.

Análise avançada de tabela

Tabelas em relatórios financeiros ou manuais técnicos são um ponto de falha comum para a RAG. O analisador de layout do Gemini é excelente para extrair dados de tabelas complexas com células mescladas e cabeçalhos intrincados.

Exemplo: neste documento 10-K da Alphabet, o analisador de um concorrente não alinha corretamente cabeçalhos e células, interpretando mal os dados financeiros. O analisador de layout do Gemini analisa com precisão toda a estrutura da tabela, preservando a integridade dos dados.

Figura 1. A fonte desse documento de entrada é "Formulário 10-K da SEC da Alphabet de 2024", página 72.

O analisador de concorrentes não detecta corretamente o alinhamento de células e colunas e alucina valores.

O analisador de layout do Gemini alinha as colunas corretamente e fornece valores precisos.

Redução de alucinações artificiais

Ao contrário dos analisadores puros baseados em LLM que tentam ler textos que não existem, o analisador de layout do Gemini se baseia em OCR avançado, o que o fundamenta no conteúdo real do documento. Isso leva a um número significativamente menor de alucinações.

Exemplo: neste trecho do 10-K, um modelo concorrente alucina e insere texto incorreto. O analisador de layout do Gemini oferece uma extração limpa e precisa apenas do texto presente na página.

Figura 2. Documento de entrada (Alphabet 2024 10k p75)

Os modelos concorrentes vão alucinar valores.

O analisador de layout do Gemini identifica corretamente valores em imagens e tabelas.

Divisão em partes com reconhecimento de layout

Os analisadores padrão geralmente criam partes removidas do contexto original, separando um parágrafo do título. O analisador de layout do Gemini entende a hierarquia do documento. Ele cria blocos com reconhecimento de contexto que incluem conteúdo de cabeçalhos ancestrais e cabeçalhos de tabela. Um trecho recuperado contém não apenas o texto, mas também o contexto estrutural necessário para uma resposta precisa do LLM.

Figura 3. A fonte desta imagem é "Hierarchical Text Spotter for Joint Text Spotting and Layout Analysis", de Shangbang Long, Siyang Qin, Yasuhisa Fujii, Alessandro Bissacco e Michalis Raptis.

Anotação de layout

A anotação do analisador de layout está em Pré-lançamento. Ele pode identificar se há imagens ou tabelas em documentos analisados. Quando encontrados, eles são anotados como um bloco descritivo de texto com as informações representadas na imagem e na tabela.

Por exemplo, ao processar um relatório bancário, o analisador não vê apenas uma imagem. Ele gera uma descrição detalhada e extrai os pontos de dados de todos os três gráficos de pizza, disponibilizando esses dados para recuperação.

Figura 4. A origem dessa entrada é um PDF salvo de A instrução CREATE MODEL para modelos ARIMA_ PLUS_XREG no site do Google Cloud.

This diagram illustrates a two-phase machine learning pipeline for time series
forecasting: "CREATE MODEL" and "ML.FORECAST".

**CREATE MODEL Phase:**

* **Input Data:** The process begins with multivariate time series (target +
covariates).
* **Covariates Preprocess:** The covariates from the multivariate time series
undergo covariates preprocess.
* **Linear Regression:** The preprocessed covariates are fed into a linear
regression model. The output of this step is non-covariates time series.
* **ARIMA_PLUS pipeline:** The "Non-covariates time series" then enters an
"ARIMA_PLUS pipeline". 
* **Outputs of CREATE MODEL:** The results from the ARIMA_PLUS pipeline, along
with data from the linear regression step, generate three outputs: covariates
weights, evaluation metrics and model coefficients and forecasted time series
(non-covariates).

**ML.FORECAST Phase:**

* **Input Data:** This phase starts with "Multivariate time series (covariates)".
* **Covariates Preprocess:** 
* **Linear Prediction:** The preprocessed covariates are fed into a linear
prediction step.
* **Aggregation:** The covariates (predicted contribution from covariates)
are then combined with the forecasted time series (non-covariates) obtained
from the CREATE MODEL phase.
* **Final Output:** The result of the aggregation is the forecasted time
series, which is the final prediction of the target variable.

**Overall Flow:**

The diagram shows a two-stage forecasting approach. In the CREATE MODEL stage,
a model is built to separate the target time series into components influenced
by covariates and components that are not. The non-covariate component is then
processed and forecasted using an ARIMA_PLUS pipeline. The covariate component's
relationship with the target is captured by linear regression weights. In the
ML.FORECAST stage, these learned components are combined with future covariate
data to produce a final forecast.

Limitações

Considere as seguintes limitações:

• Processamento on-line:
  • Tamanho máximo do arquivo de entrada de 20 MB para todos os tipos de arquivo
  • Máximo de 15 páginas por arquivo PDF
• Processamento em lote:
  • Tamanho máximo de 1 GB para arquivos PDF
  • Máximo de 500 páginas por arquivo PDF

Detecção de layout por tipo de arquivo

Observação: o suporte aos tipos de arquivo PDF, HTML, DOCX, PPTX, XLSX e XLSM está em GA e está sujeito a cobranças. Para informações sobre preços, consulte Preços dos recursos da Document AI. O suporte para os outros tipos de arquivo é oferecido sem custo financeiro porque eles estão em prévia.

A tabela a seguir lista os elementos que o analisador de layout pode detectar por tipo de arquivo de documento.

Tipo de arquivo	Tipo MIME	Elementos detectados	Limitações
HTML	text/html	parágrafo, tabela, lista, título, cabeçalho, cabeçalho da página, rodapé da página	A análise depende muito das tags HTML, então a formatação baseada em CSS pode não ser capturada.
PDF	application/pdf	figura, parágrafo, tabela, título, cabeçalho, cabeçalho da página, rodapé da página	As tabelas que abrangem várias páginas podem ser divididas em duas.
DOCX	application/vnd.openxmlformats-officedocument.wordprocessingml.document	parágrafo, tabelas em várias páginas, lista, título, elementos de cabeçalho	Não é possível usar tabelas aninhadas.
PPTX	application/vnd.openxmlformats-officedocument.presentationml.presentation	parágrafo, tabela, lista, título, elementos de cabeçalho	Para que os cabeçalhos sejam identificados com precisão, eles precisam ser marcados como tal no arquivo do PowerPoint. Tabelas aninhadas e slides ocultos não são compatíveis.
XLSX	application/vnd.openxmlformats-officedocument.spreadsheetml.sheet	tabelas em planilhas do Excel, com suporte para valores INT, FLOAT e STRING	Não é possível detectar várias tabelas. Planilhas, linhas ou colunas ocultas também podem afetar a detecção. É possível processar arquivos com até 5 milhões de células.
XLSM	application/vnd.ms-excel.sheet.macroenabled.12	planilha com macro ativada, compatível com valores INT, FLOAT e STRING	Não é possível detectar várias tabelas. Planilhas, linhas ou colunas ocultas também podem afetar a detecção.

A seguir

• Consulte a lista de processadores.
• Crie um classificador personalizado.
• Use o Enterprise Document OCR para detectar e extrair texto.
• Consulte Enviar uma solicitação de documentos de processo em lote para saber como lidar com as respostas.