Вы можете попросить модель Gemini проанализировать файлы документов (например, PDF и обычный текст), которые вы предоставляете в виде встроенного кода (в кодировке base64) или по URL. Если вы используете Firebase AI Logic, то можете сделать этот запрос прямо из приложения.
С помощью этой функции вы можете:
- Анализируйте диаграммы, графики и таблицы в документах
- Извлечение информации в структурированные выходные форматы
- Отвечать на вопросы о визуальном и текстовом контенте в документах.
- Кратко пересказывать документы.
- Преобразовывать контент документов (например, в HTML) с сохранением макетов и форматирования для использования в последующих приложениях (например, в конвейерах RAG).
В этом руководстве рассказывается о том, как генерировать текст на основе документов, например PDF-файлов. Вы также можете генерировать изображения на основе документов.
Перейти к примерам кода Перейти к коду для потоковых ответов
|
Ознакомьтесь с другими руководствами, чтобы узнать о дополнительных возможностях работы с документами (например, PDF-файлами) Генерируйте структурированные выходные данные Многоэтапный чат |
Подготовка
|
Нажмите на название своего поставщика Gemini API, чтобы посмотреть контент и код, относящиеся к нему. |
Если вы ещё этого не сделали, ознакомьтесь с кратким руководством, в котором рассказывается, как настроить проект Firebase, подключить приложение к Firebase, добавить SDK, инициализировать бэкенд-службу для выбранного поставщика Gemini API и создать экземпляр GenerativeModel.
Для тестирования и доработки запросов рекомендуем использовать Google AI Studio.
Модели, поддерживающие эту функцию
В этом руководстве рассказывается, как генерировать текст на основе документов (например, PDF-файлов). Оно применимо к следующим моделям Gemini:
gemini-4-argongemini-3.8-flash(и более старые версииgemini-3.7-flash,gemini-3.6-flashиgemini-3.5-flash)gemini-3.5-flash-lite(и более старыйgemini-3.1-flash-lite)
Модели gemini-3.1-pro-preview и Gemini 2.5 общего назначения (которые больше не поддерживаются) также поддерживают эту возможность.
Генерировать текст из PDF-файлов (в кодировке base64)
|
Прежде чем использовать этот пример, выполните инструкции из раздела Подготовка этого руководства, чтобы настроить проект и приложение. В этом разделе также нужно нажать кнопку для выбранного поставщика Gemini API, чтобы на этой странице показывался контент, относящийся к нему. |
Вы можете попросить модель Gemini сгенерировать текст, предоставив ей текстовый запрос и PDF-файлы. Для этого нужно указать mimeType каждого входного файла и сам файл. Ознакомьтесь с требованиями и рекомендациями для входных файлов.
Swift
Вы можете вызвать generateContent(), чтобы сгенерировать текст на основе мультимодального ввода текста и PDF-файлов.
import FirebaseAILogic
// Initialize the Gemini Developer API backend service.
let ai = FirebaseAI.firebaseAI(backend: .googleAI())
// Create a `GenerativeModel` instance with a model that supports your use case.
let model = ai.generativeModel(modelName: "gemini-3.8-flash")
// Provide the PDF as `Data` with the appropriate MIME type
let pdf = try InlineDataPart(data: Data(contentsOf: pdfURL), mimeType: "application/pdf")
// Provide a text prompt to include with the PDF file
let prompt = "Summarize the important results in this report."
// To generate text output, call `generateContent` with the PDF file and text prompt
let response = try await model.generateContent(pdf, prompt)
// Print the generated text, handling the case where it might be nil
print(response.text ?? "No text in response.")
Kotlin
Вы можете вызвать generateContent(), чтобы сгенерировать текст на основе мультимодального ввода текста и PDF-файлов.
// Initialize the Gemini Developer API backend service.
// Create a `GenerativeModel` instance with a model that supports your use case.
val model = Firebase.ai(backend = GenerativeBackend.googleAI())
.generativeModel("gemini-3.8-flash")
val contentResolver = applicationContext.contentResolver
// Provide the URI for the PDF file you want to send to the model
val inputStream = contentResolver.openInputStream(pdfUri)
if (inputStream != null) { // Check if the PDF file loaded successfully
inputStream.use { stream ->
// Provide a prompt that includes the PDF file specified above and text
val prompt = content {
inlineData(
bytes = stream.readBytes(),
mimeType = "application/pdf" // Specify the appropriate PDF file MIME type
)
text("Summarize the important results in this report.")
}
// To generate text output, call `generateContent` with the prompt
val response = model.generateContent(prompt)
// Log the generated text, handling the case where it might be null
Log.d(TAG, response.text ?: "")
}
} else {
Log.e(TAG, "Error getting input stream for file.")
// Handle the error appropriately
}
Java
Вы можете вызвать generateContent(), чтобы сгенерировать текст на основе мультимодального ввода текста и PDF-файлов.
ListenableFuture.
// Initialize the Gemini Developer API backend service.
// Create a `GenerativeModel` instance with a model that supports your use case.
GenerativeModel ai = FirebaseAI.getInstance(GenerativeBackend.googleAI())
.generativeModel("gemini-3.8-flash");
// Use the GenerativeModelFutures Java compatibility layer which offers
// support for ListenableFuture and Publisher APIs
GenerativeModelFutures model = GenerativeModelFutures.from(ai);
ContentResolver resolver = getApplicationContext().getContentResolver();
// Provide the URI for the PDF file you want to send to the model
try (InputStream stream = resolver.openInputStream(pdfUri)) {
if (stream != null) {
byte[] audioBytes = stream.readAllBytes();
stream.close();
// Provide a prompt that includes the PDF file specified above and text
Content prompt = new Content.Builder()
.addInlineData(audioBytes, "application/pdf") // Specify the appropriate PDF file MIME type
.addText("Summarize the important results in this report.")
.build();
// To generate text output, call `generateContent` with the prompt
ListenableFuture<GenerateContentResponse> response = model.generateContent(prompt);
Futures.addCallback(response, new FutureCallback<GenerateContentResponse>() {
@Override
public void onSuccess(GenerateContentResponse result) {
String text = result.getText();
Log.d(TAG, (text == null) ? "" : text);
}
@Override
public void onFailure(Throwable t) {
Log.e(TAG, "Failed to generate a response", t);
}
}, executor);
} else {
Log.e(TAG, "Error getting input stream for file.");
// Handle the error appropriately
}
} catch (IOException e) {
Log.e(TAG, "Failed to read the pdf file", e);
} catch (URISyntaxException e) {
Log.e(TAG, "Invalid pdf file", e);
}
Web
Вы можете вызвать generateContent(), чтобы сгенерировать текст на основе мультимодального ввода текста и PDF-файлов.
import { initializeApp } from "firebase/app";
import { getAI, getGenerativeModel, GoogleAIBackend } from "firebase/ai";
// TODO(developer): Replace the following with your app's Firebase configuration
// See: https://firebase.google.com/docs/web/learn-more#config-object
const firebaseConfig = {
// ...
};
// Initialize FirebaseApp
const firebaseApp = initializeApp(firebaseConfig);
// Initialize the Gemini Developer API backend service.
const ai = getAI(firebaseApp, { backend: new GoogleAIBackend() });
// Create a `GenerativeModel` instance with a model that supports your use case.
const model = getGenerativeModel(ai, { model: "gemini-3.8-flash" });
// Converts a File object to a Part object.
async function fileToGenerativePart(file) {
const base64EncodedDataPromise = new Promise((resolve) => {
const reader = new FileReader();
reader.onloadend = () => resolve(reader.result.split(','));
reader.readAsDataURL(file);
});
return {
type: "inlineData",
inlineData: { data: await base64EncodedDataPromise, mimeType: file.type },
};
}
async function run() {
// Provide a text prompt to include with the PDF file
const prompt = "Summarize the important results in this report.";
// Prepare PDF file for input
const fileInputEl = document.querySelector("input[type=file]");
const pdfPart = await fileToGenerativePart(fileInputEl.files);
// To generate text output, call `generateContent` with the text and PDF file
const result = await model.generateContent([prompt, pdfPart]);
// Log the generated text, handling the case where it might be undefined
console.log(result.response.text() ?? "No text in response.");
}
run();
Dart
Вы можете вызвать generateContent(), чтобы сгенерировать текст на основе мультимодальных входных данных, состоящих из текста и PDF-файлов.
import 'package:firebase_ai/firebase_ai.dart';
import 'package:firebase_core/firebase_core.dart';
import 'firebase_options.dart';
// Initialize FirebaseApp
await Firebase.initializeApp(
options: DefaultFirebaseOptions.currentPlatform,
);
// Initialize the Gemini Developer API backend service.
// Create a `GenerativeModel` instance with a model that supports your use case.
final model =
FirebaseAI.googleAI().generativeModel(model: 'gemini-3.8-flash');
// Provide a text prompt to include with the PDF file
final prompt = TextPart("Summarize the important results in this report.");
// Prepare the PDF file for input
final doc = await File('document0.pdf').readAsBytes();
// Provide the PDF file as `Data` with the appropriate PDF file MIME type
final docPart = InlineDataPart('application/pdf', doc);
// To generate text output, call `generateContent` with the text and PDF file
final response = await model.generateContent([
Content.multi([prompt,docPart])
]);
// Print the generated text
print(response.text);
Unity
Вы можете вызвать GenerateContentAsync(), чтобы сгенерировать текст на основе мультимодального ввода текста и PDF-файлов.
using Firebase;
using Firebase.AI;
// Initialize the Gemini Developer API backend service.
var ai = FirebaseAI.GetInstance(FirebaseAI.Backend.GoogleAI());
// Create a `GenerativeModel` instance with a model that supports your use case.
var model = ai.GetGenerativeModel(modelName: "gemini-3.8-flash");
// Provide a text prompt to include with the PDF file
var prompt = ModelContent.Text("Summarize the important results in this report.");
// Provide the PDF file as `data` with the appropriate PDF file MIME type
var doc = ModelContent.InlineData("application/pdf",
System.IO.File.ReadAllBytes(System.IO.Path.Combine(
UnityEngine.Application.streamingAssetsPath, "document0.pdf")));
// To generate text output, call `GenerateContentAsync` with the text and PDF file
var response = await model.GenerateContentAsync(new [] { prompt, doc });
// Print the generated text
UnityEngine.Debug.Log(response.Text ?? "No text in response.");
Узнайте, как выбрать модель в зависимости от вашего приложения и целей.
Включить потоковую передачу ответов
|
Прежде чем использовать этот пример, выполните инструкции из раздела Подготовка этого руководства, чтобы настроить проект и приложение. В этом разделе также нужно нажать кнопку для выбранного поставщика Gemini API, чтобы на этой странице показывался контент, относящийся к нему. |
Чтобы ускорить взаимодействие, вы можете не ждать, пока модель сгенерирует весь результат, а использовать потоковую передачу для обработки частичных результатов.
Чтобы получить ответ в виде потока, вызовите generateContentStream.
Требования и рекомендации для входных документов
Обратите внимание, что файл, предоставленный в виде встроенных данных, при передаче кодируется в base64, что увеличивает размер запроса. Если запрос слишком большой, вы получите ошибку HTTP 413.
Подробную информацию по следующим темам вы найдете на странице "Поддерживаемые входные файлы и требования":
- Различные варианты предоставления файла в запросе (встроенный или с использованием URL или URI файла)
- Требования и рекомендации для файлов документов
Поддерживаемые MIME-типы документов
Мультимодальные модели Gemini поддерживают следующие MIME-типы документов:
- PDF –
application/pdf - Текст –
text/plain
Ограничения на запрос
PDF-файлы обрабатываются как изображения, поэтому одна страница PDF-файла считается одним изображением. Количество страниц, которые можно добавить в запрос, ограничено количеством изображений, поддерживаемых мультимодальными моделями Gemini.
- Максимальное количество файлов на запрос: 3000.
- Максимальное количество страниц в файле: 1000.
- Максимальный размер файла: 50 МБ.
Что ещё ты умеешь делать?
- Узнайте, как подсчитать токены, прежде чем отправлять модели длинные запросы.
- Настройте Cloud Storage for Firebase, чтобы добавлять большие файлы в мультимодальные запросы и эффективнее управлять файлами в запросах. Это могут быть изображения, PDF-файлы, видео и аудио.
-
Начните подготовку к запуску рабочей версии (см. контрольный список):
- Принудительно включите Firebase App Check как можно раньше, чтобы защитить Gemini API от злоупотреблений со стороны неавторизованных клиентов.
- Используйте Firebase Remote Config или шаблоны запросов на сервере, чтобы по запросу менять конфигурации ИИ-функции (например, название модели), не выпуская новую версию приложения.
Попробуйте другие возможности
- Создавайте многоэтапные диалоги (чаты).
- Генерировать текст на основе текстовых запросов.
- Генерировать структурированные выходные данные (например, JSON) на основе текстовых и мультимодальных запросов.
- Генерировать и редактировать изображения на основе текстовых и мультимодальных запросов.
- Генерировать речь (как одного, так и нескольких говорящих) с помощью моделей Gemini для преобразования текста в речь.
-
Используйте инструменты, такие как вызов функций и обоснование с помощью
Google Search илиGoogle Maps , чтобы подключить модель Gemini к другим частям приложения, а также к внешним системам и информации.
Как управлять созданием контента
- Узнайте, как составлять запросы, в том числе ознакомьтесь с рекомендациями, стратегиями и примерами.
- Настройте параметры модели, например максимальное количество выходных токенов, вероятность повторения выходных токенов и т. д.
- Используйте настройки безопасности, чтобы снизить вероятность получения ответов, которые могут считаться вредоносными.
Подробнее о поддерживаемых моделях
Узнайте, какие модели доступны для разных сценариев использования, а также ознакомьтесь с их квотами и ценами.Оставить отзыв о работе с Firebase AI Logic