问一下，为什么除了gemini外，模型都不支持默认传入pdf进行处理呀？

[_innoc (innocentshen)]

如题，发现多模态模型最多也就到支持图片或者视频，不支持传入pdf进行识别处理。是因为什么呀？

[omoomo2333 (好哦)]

gemini是原生多模态，其他的做不到呗

[handsome (大帅哥)]

啊？支持的吧？gpt啊claude

[_innoc (innocentshen)]

感觉也不至于呀，gemini领先很多？感觉这个功能还挺实用的

[zhong_little (Megasoft)]

google 家大业大呗，除微软 office 外极少数能提供云办公套件的，gemini 志在全模态，文本文件图片视频音频，都要往里嗦

其他一般是支持 pdf 解析，然后做内容嵌入，比如 kimi

[woshimahuateng (太阳之子)]

模型是解析不了 pdf 的， gemini 应该内置了 pdf 解析的工具，几乎都是这么干

[_innoc (innocentshen)]

行吧，get了。要是多模态都能原生支持pdf能省很多事情，ocr的能力又要单独验证，厂商还贼多，良莠不齐，多一步ocr，流程耗时也要增加

[zhong_little (Megasoft)]

确实是这样的，遇到大面积图片、横版表格或者扫描版 pdf 就很难处理

[omoomo2333 (好哦)]

多模态谷歌就是领先很多啊

[_innoc (innocentshen)]

是的，现在用paddle ocr vl做替代，但是一加上，整体速度就慢了至少5s，效果还没gemini原生好

[_innoc (innocentshen)]

感受到了