使用 Gemini 版面配置剖析器處理文件

Document AI 版面配置剖析器是進階的文字剖析和文件解讀服務，可將複雜檔案中的非結構化內容，轉換為高度結構化、精確且機器可讀取的資訊。這項功能結合了 Google 專用的物件字元辨識 (OCR) 模型，以及 Gemini 的生成式 AI 功能。瞭解完整的文件結構，識別表格、圖表、清單和標題等元素，同時保留這些元素之間的脈絡關係，例如哪些段落屬於哪個標題。

這項技術旨在解決搜尋和檢索擴增生成 (RAG) 的重大問題：標準 OCR 會將文件扁平化，破壞可增加寶貴意義的內容和結構，例如標題、表格和清單。

主要應用實例

• 文件 OCR：可從 PDF 文件剖析文字和版面配置元素，例如標題、頁首、頁尾、表格結構和圖形。
• 高保真搜尋和 RAG：主要用途是準備文件，以供搜尋和 RAG 管道使用。建立脈絡感知區塊後，檢索品質和生成答案的準確度都會大幅提升。
• 結構化資料擷取：可剖析複雜文件 (例如 10-K 申請或報告)，並將結構化內容 (例如剖析的表格或圖片說明) 編入資料庫索引，如 BigQuery 所示。

運作方式

Gemini 版面配置剖析器會透過多階段管道處理文件，確保保留語意：

• 剖析和建構：系統會擷取文件內容，所有元素都會經過識別，並以樹狀格式整理。這個 DocumentLayout proto 欄位會保留文件的固有階層。
• 註解和口述： 預覽 Gemini 的生成功能會口述複雜的視覺元素。圖表和表格會附上豐富的文字說明。
• 分塊和擴增：系統會使用剖析的文件及其註解，建立語意連貫的區塊。這些區塊會加上脈絡資訊 (例如祖先標題)，確保即使單獨擷取區塊，意義也不會改變。

處理器版本

版面配置剖析器可使用下列模型。如要變更模型版本，請參閱「管理處理器版本」。

如要對預設處理器配額提出配額提高要求 (QIR)，請按照「管理配額」中的步驟操作。

模型版本	說明	發布版本	發布日期
pretrained-layout-parser-v1.0-2024-06-03	文件版面配置分析的正式發布版本。這是預先訓練的預設處理器版本。	穩定	2024 年 6 月 3 日
pretrained-layout-parser-v1.5-2025-08-25	搭載 Gemini 2.5 Flash LLM 的預先發布版本，可更準確地分析 PDF 檔案的版面配置。建議想試用新版本的使用者選用。 注意：如果用於非 PDF 檔案，行為會與穩定版 pretrained-layout-parser-v1.0-2024-06-03 相同。	候選版	2025 年 8 月 25 日
pretrained-layout-parser-v1.5-pro-2025-08-25	搭載 Gemini 2.5 Pro LLM 的預覽版本，可更準確地分析 PDF 檔案的版面配置。v1.5-pro 的延遲時間比 v1.5 長。 注意：如果用於非 PDF 檔案，行為會與穩定版 pretrained-layout-parser-v1.0-2024-06-03 相同。	候選版	2025 年 8 月 25 日

主要功能

在本文中，Gemini 版面配置剖析器是指以 Gemini 為基礎的預先訓練版面配置剖析器處理器版本，例如 pretrained-layout-parser-v1.5-2025-08-25 和 pretrained-layout-parser-v1.5-pro-2025-08-25。Gemini 版面配置剖析器支援下列主要功能。

進階資料表剖析

財務報表或技術手冊中的表格是 RAG 的常見失敗點。Gemini 版面配置剖析器擅長從複雜的表格 (包含合併儲存格和複雜的標題) 擷取資料。

示例：在 Alphabet 的 10-K 歸檔文件中，競爭對手的剖析器無法正確對齊標題和儲存格，因而誤解財務資料。Gemini 版面配置剖析器可準確剖析整個表格結構，確保資料完整性。

圖 1. 這份輸入文件的來源為「Alphabet 2024 年 SEC 表單 10-K」，第 72 頁。

競爭對手剖析器無法正確偵測儲存格和欄對齊方式，並產生幻覺值。

Gemini 版面配置剖析器會正確對齊資料欄，並提供準確的值。

減少幻覺

與嘗試讀取不存在文字的純 LLM 型剖析器不同，Gemini 版面配置剖析器以進階 OCR 為基礎，因此會根據文件的實際內容運作。這可大幅減少幻覺。

範例：在這份 10-K 摘錄中，競爭對手的模型產生了錯誤的文字，Gemini 版面配置剖析器可準確擷取網頁上的文字，且不會夾雜其他內容。

圖 2. 輸入文件 (Alphabet 2024 10k p75)

競爭對手模型會產生幻覺值。

Gemini 版面配置剖析器可正確識別圖片和表格中的值。

版面配置感知區塊

標準剖析器通常會建立從原始環境移除的區塊，將段落與標題分開。Gemini 版面配置剖析器可瞭解文件的階層結構，這項功能會建立內容認知分塊，包括來自上層標題和表格標題的內容。擷取的區塊不僅包含文字，還包含準確的 LLM 回覆所需的結構背景資訊。

圖 3. 這張圖片的來源是「Hierarchical Text Spotter for Joint Text Spotting and Layout Analysis」，作者為 Shangbang Long、Siyang Qin、Yasuhisa Fujii、Alessandro Bissacco 和 Michalis Raptis。

版面配置註解

版面配置剖析器註解目前為預先發布版。並判斷剖析的文件中是否有圖片或表格。如果找到，系統會以文字說明區塊的形式註解，並提供圖片和表格中顯示的資訊。

舉例來說，在處理銀行報表時，剖析器不會只看到圖片，這項功能會產生詳細說明，並從所有三個圓餅圖中擷取資料點，方便您擷取這些資料。

圖 4. 這項輸入內容的來源是 Google Cloud 網站上「用於 ARIMA_PLUS_XREG 模型的 CREATE MODEL 陳述式」的 PDF 儲存版本。

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.

限制

限制如下：

• 線上處理：
  • 所有檔案類型的輸入檔案大小上限為 20 MB
  • 每個 PDF 檔案最多 15 頁
• 批次處理：
  • PDF 檔案大小上限為 1 GB
  • 每個 PDF 檔案最多 500 頁

各檔案類型的版面配置偵測結果

注意： PDF、HTML、DOCX、PPTX、XLSX 和 XLSM 檔案類型支援GA，且須付費。如要瞭解定價資訊，請參閱 Document AI 功能定價。由於其他檔案類型為預先發布版，因此我們免費提供支援。

下表列出版面配置剖析器可偵測到的元素，並依文件檔案類型分類。

檔案類型	MIME 類型	偵測到的元素	限制
HTML	text/html	段落、表格、清單、標題、頁首、頁尾	請注意，剖析作業主要依據 HTML 標記，因此系統可能無法擷取以 CSS 為基礎的格式設定。
PDF	application/pdf	圖、段落、表格、標題、頁首、頁尾	如果表格橫跨多個頁面，可能會分割成兩個表格。
DOCX	application/vnd.openxmlformats-officedocument.wordprocessingml.document	段落、跨多個頁面的表格、清單、標題、標題元素	系統不支援巢狀表格。
PPTX	application/vnd.openxmlformats-officedocument.presentationml.presentation	段落、表格、清單、標題、標題元素	如要準確識別標題，請在 PowerPoint 檔案中標示標題。不支援巢狀表格和隱藏投影片。
XLSX	application/vnd.openxmlformats-officedocument.spreadsheetml.sheet	Excel 試算表中的表格，支援 INT、 FLOAT 和 STRING 值	不支援偵測多個表格。隱藏的工作表、列或欄也可能會影響偵測結果。最多可處理 500 萬個儲存格的檔案。
XLSM	application/vnd.ms-excel.sheet.macroenabled.12	啟用巨集的試算表，支援 INT、FLOAT 和 STRING 值	不支援偵測多個表格。隱藏的工作表、列或欄也可能會影響偵測結果。

後續步驟

• 查看處理器清單。
• 建立自訂分類器。
• 使用 Enterprise Document OCR 偵測及擷取文字。
• 請參閱「傳送批次處理文件要求」，瞭解如何處理回應。