11月18日,谷歌在 Gemini API 更新日志里确认了一项面向开发者的改动:Word、PowerPoint、Excel 等 Microsoft Office 文件和 OpenDocument 文件,现在可以直接传给 Gemini API,不用先转成 PDF 或纯文本;同时上线的还有文件切片能力,开发者可以只让模型处理文件里需要的部分,只为这部分内容付费。
能切多细:从页码、单元格到视频的某一段
切片的粒度是这次更新最实在的部分。文档可以按页码区间切,表格可以按工作表标签或单元格范围切,视频和音频可以按时间区间切;还能按内容层挑,比如只要某一页的图片、只要提取出的文本、只要表格里的公式,或者只要视频的转录文本。切片不只发生在用户提示词里,函数响应里返回的文档、表格、视频和音频也能同样处理。换句话说,开发者不用再把一整份文件塞给模型,只为了问其中一页的问题。
对谁最有用:长文档和按量付费的场景
合同、财报、课件、会议录音这类材料最能感受到差别:以前问一个数字也要为整份文件付 token,现在只传相关的几页、几行或几分钟。做文档问答、检索增强生成(RAG)的应用,token 账单会直接变薄;模型少读无关内容,回答跑偏的概率也会低一点。同一周,面向普通用户的Gemini Tasks 在六国免费开放也刚上线,谷歌正在两头同时推 Gemini 的落地。
想省钱,得主动指定范围
切片是按需处理,不是自动省钱:不指定范围,模型还是会按整份文件处理、按整份计费。开发者需要在提示词或函数调用里明确写出页码、单元格或时间区间,更新日志里也给了文档理解、视频理解和音频处理的入门指引。这次改动针对的是文件怎么进模型,不涉及模型本身的能力变化,开发者不用换模型就能用上。