Google разшири възможностите на Gemini API за обработка на документи с вградена поддръжка за файлове на Microsoft Office и OpenDocument, заедно с контроли за избор само на частите от файл, които моделът трябва да обработи.

Приложенията могат да изпращат документи на Word, презентации на PowerPoint, работни книги на Excel и файлове OpenDocument, без първо да ги конвертират в друг поддържан формат. Те могат също така да се насочват към страници на документи, раздели на работен лист, диапазони от клетки, аудио или видео интервали и специфични слоеве на съдържание. Google казва, че клиентите обработват и плащат само за избраното съдържание.

Комбинацията е по-важна от поддръжката на основен файлов формат. Той превръща избора на файл в част от заявката за извод и неговата семантика за таксуване, потенциално намалявайки количеството неподходящ материал, изпратен до модел. Това също създава ново предизвикателство за съвместимост за шлюзовете, които се опитват да представят последователен интерфейс между доставчиците.

Преобразуването на файлове вече не е необходимо винаги

Приложенията за документи обикновено използват услуги за преобразуване, за да извличат текст, да изобразяват страници или да нормализират файлове, преди да изпратят съдържанието им към модел. Поддръжката на Native Office може да премахне някои от тези стъпки от Geminiбазирани конвейери, особено за работни потоци, изградени около отчети, презентации и електронни таблици.

Това може да опрости системите за приемане и да запази повече от оригиналната структура на документа. Финансов асистент, например, може да насочи Gemini към определен работен лист или диапазон от клетки, вместо да извлича и предава цяла работна книга. Работен процес на презентация може да избере група от слайдове, докато медийно приложение може да изолира съответен аудио или видео интервал.

Нарязването е налично както в потребителски подкани, така и в отговорите на функцията, носеща файл. Последното е важно за агентите: инструментът може да върне файл, докато идентифицира частта, която трябва да се вземе предвид от модела, вместо да принуждава приложението да създава отделен производен файл за всеки резултат от инструмента.

Практическите ползи ще варират. Сложните формули, вградените обекти и необичайните оформления на Office може да не се държат последователно във файловете, а изследователският пакет не установява универсални токени или намаления на латентността. Екипите ще се нуждаят от представителни тестове, преди да премахнат съществуващите етапи на преобразуване и валидиране.

Избраното съдържание става граница за таксуване

Google изявлението на, че клиентите плащат само за избрано съдържание, въвежда по-подробна граница на разходите от обработката на целия файл. Приложенията могат потенциално да избегнат плащането за проверка на стотици неподходящи страници или неизползвани раздели на електронни таблици, когато дадена задача засяга само тесен раздел.

Разработчиците все още трябва да избягват да третират селектора като гарантирана оценка на разходите. Евентуалният брой токени и времето за обработка може да зависи от файловата структура, избрания срез и начина, по който моделът представя този материал. Записите за използване трябва да запазят както оригиналната препратка към файла, така и точните параметри за избор, така че разходите да могат да бъдат обяснени по-късно.

Това е особено подходящо за дистрибутори и софтуерни платформи, които показват на клиентите разбивка на използването. Може да се наложи техните счетоводни книги да разграничат размера на качен файл от частта, предоставена за извод. Без това разграничение една фактура може да изглежда несъвместима с видимия за потребителя документ или да затрудни разследването на спорове относно разходите.

OpenAI съвместимостта не покрива всеки селектор

Селекторите за страница, работен лист, диапазон от клетки, медиен интервал и слой на съдържанието не се нанасят добре върху конвенционален OpenAI-съвместим входен файл.Многомоделният API шлюз за екипи следователно има няколко възможности за избор: излагане на Gemini-специфични разширения, превод на преносимо подмножество от селектори или изискване от приложенията да обработват предварително файлове, преди да използват доставчици, които нямат еквивалентни контроли.

Тихото отхвърляне на неподдържани селектори би било рисковано. Това може да накара доставчика да обработи цял документ, променяйки както отговора, така и сметката. Шлюзовете трябва да валидират заявките, да идентифицират неподдържаните типове избор и да записват нормализираната заявка, която в крайна сметка е изпратена нагоре.

Същият проблем засяга маршрутизирането. И двата модела могат да рекламират въвеждане на документи, като същевременно поддържат съществено различни типове файлове, контроли за избор и правила за фактуриране. AI API контролна равнина за екипи на разработчици трябва да представя тези възможности изрично, вместо да третира „въвеждане на файл“ като единична взаимозаменяема функция.

Какво трябва да проверяват разработчиците

Екипите, използващи Gemini, трябва да тестват представителни файлове на Word, PowerPoint, Excel и OpenDocument, включително файлове с формули, вградени медии и сложни оформления. Те трябва да сравняват заявките за целия файл и частите за качество на отговора, използване и закъснение, като същевременно запазват метаданните на селектора в регистрационните файлове.

Операторите на шлюза имат допълнителна работа: дефинират схема за новите контроли, отхвърлят неподдържани маршрути между доставчици и актуализират измерването, обърнато към клиента, за да покажат кое съдържание е избрано. Версията може да намали работата по преобразуване и ненужната обработка, но само когато тези нови заявки и семантика на таксуването оцелеят на всеки слой между приложението и Gemini.