Gemini 3 已在 Tensorlake 中作为 OCR 模型提供

Source: Dev.to

Google 的 Gemini 模型自 2.5 Flash 版本起就在文档解析方面表现出色。最新的 Gemini 3 更进一步，在 OmniDocBench 上实现了最低编辑距离（0.115），优于 GPT‑5.1（0.147）和 Claude Sonnet 4.5。

从今天起，你可以在 Tensorlake 的文档摄取 API 中将 Gemini 3 作为 OCR 引擎使用。批量摄取文档、转换为 Markdown、对页面进行分类，或使用 JSON 模式提取结构化数据。Tensorlake 负责排队、速率限制管理以及处理后文档的 webhook。

我们在 Tensorlake 中对 Gemini 3 进行测试，结果在“恶劣”文档布局上的表现立竿见影。

案例研究 1：表格结构识别

文档： Google 2024 环境报告

财务和科研报告常使用视觉线索——缩进、漂浮列、符号——来传递含义。我们将附录中复杂的 “Water Use” 表格输入 Gemini 3。

挑战

该表格半无线：部分行有分隔线，列之间缺乏明确边界，最右侧列与主体块脱离。

Gemini 3 结果：视觉理解

Gemini 3 完全理解了表格。以下是 Tensorlake 云仪表盘的截图。

案例研究 2：VQA + 结构化输出

文档： 房屋平面图

我们通过将 Gemini 3 集成到 Tensorlake 的结构化提取流水线，测试其在建筑文档上解析视觉符号的能力。

输入

一份房屋平面图的原始 PDF，以及定义所需字段的 Pydantic 模式，例如：

class KitchenOutlets(BaseModel):
    kitchen_outlets: int  # 标准和 GFI 电源插座的数量，由图例中标记为 “outlet” 的图标指示

厨房 + 餐饮区：

图例中显示，带两条线的圆圈代表插座：

挑战

图中没有文字标签 “Outlet”；模型必须识别图例中定义的圆圈‑线图标，将搜索范围限制在厨房区域，并将计数聚合到 JSON 结构中。

结果

Gemini 3 正确解释了视觉图示，并返回了一个有效的 JSON 对象，显示 6 个插座，并将其与附近的数据端口和开关区分开来。

Tensorlake 将专用 OCR 模型和视觉语言模型融合为便捷的 API。虽然你可以直接调用 Gemini API，但需要自行重建许多生产就绪的组件。Gemini 3 现已完全集成到 Tensorlake DocAI API 中，用于读取、分类和提取文档信息。

Tensorlake 解决了使用 VLM 构建文档摄取 API 的两大痛点

• 批量摄取 & 速率限制 – Gemini 3 在流量突增时可能出现配额错误；一次发送 10 000 份文档可能触发配额错误。Tensorlake 自动管理队列、处理退避和重试，防止 429 错误。
• 大文件分块 – Tensorlake 自动将大型文档拆分为 25 页的块，确保 Gemini 的输出保持在 64 k token 限制内。

何时使用（以及不使用）Gemini 3

适合使用 Gemini 3 的场景

• 需要复杂视觉推理 – 如将图表的颜色图例与数据表关联，或在蓝图上计数符号。

不适合使用 Gemini 3 的场景

• 需要边界框进行引用 – Gemini 3 不执行对象的布局检测。
• 需要严格的文字样式或字体检测 – 删除线、下划线或特定字体颜色等视觉细微差别会被忽略。

对于这些任务，请考虑 Tensorlake 的专用模型，例如 Model03。

如何在 Tensorlake 中使用 Gemini 3

Playground

Gemini 3 今日已在 Tensorlake Playground 中开放供实验：

HTTP API / SDK

from tensorlake.documentai import DocumentAI, ParsingOptions

client = DocumentAI()

parse_id = client.read(
    file_url="https://tlake.link/docs/real-estate-agreement",
    parsing_options=ParsingOptions(
        ocr_model="gemini3"
    )
)

result = client.result(parse_id)

下一步

文档摄取涉及众多边缘案例。我们致力于为用户提供最前沿的模型，使其能够通过最小的工作量调整 OCR 流水线组件，快速解决各种使用场景。