Google je proširio Gemini API mogućnosti obrade dokumenata izvornom podrškom za Microsoft Office i OpenDocument datoteke, zajedno s kontrolama za odabir samo dijelova datoteke koje model treba obraditi.
Aplikacije mogu slati Word dokumente, PowerPoint prezentacije, Excel radne knjige i OpenDocument datoteke bez prethodnog pretvaranja u drugi podržani format. Također mogu ciljati stranice dokumenata, kartice radnog lista, raspone ćelija, audio ili video intervale i određene slojeve sadržaja. Google kaže da korisnici obrađuju i plaćaju samo odabrani sadržaj.
Kombinacija je važnija od osnovne podrške za format datoteke. Pretvara odabir datoteke u dio zahtjeva za zaključivanje i njegovu semantiku naplate, potencijalno smanjujući količinu nevažnog materijala koji se šalje modelu. Također stvara novi izazov kompatibilnosti za pristupnike koji pokušavaju predstaviti dosljedno sučelje za sve pružatelje usluga.
Konverzija datoteka više nije uvijek potrebna
Aplikacije za dokumente obično koriste usluge konverzije za izdvajanje teksta, renderiranje stranica ili normalizaciju datoteka prije slanja njihovog sadržaja modelu. Podrška za izvorni Office može ukloniti neke od tih koraka iz cjevovoda koji se temelje na Gemini, posebno za tijekove rada izgrađene oko izvješća, prezentacija i proračunskih tablica.
To bi moglo pojednostaviti sustave za unos i sačuvati više izvorne strukture dokumenta. Financijski pomoćnik, na primjer, može usmjeriti Gemini na određeni radni list ili raspon ćelija umjesto izdvajanja i prijenosa cijele radne knjige. Tijek rada prezentacije mogao bi odabrati grupu slajdova, dok bi medijska aplikacija mogla izolirati relevantan audio ili video interval.
Rezanje je dostupno iu korisničkim upitima i u odgovorima funkcija koje nose datoteke. Potonje je značajno za agente: alat može vratiti datoteku dok identificira dio koji model treba uzeti u obzir, umjesto da tjera aplikaciju da stvori zasebnu izvedenu datoteku za svaki rezultat alata.
Praktični dobici će varirati. Složene formule, ugrađeni objekti i neobični rasporedi sustava Office možda se neće ponašati dosljedno u svim datotekama, a istraživački paket ne uspostavlja univerzalni token ili smanjenje latencije. Timovi će trebati reprezentativne testove prije uklanjanja postojećih faza pretvorbe i provjere valjanosti.
Odabrani sadržaj postaje granica naplate
Google izjava da korisnici plaćaju samo za odabrani sadržaj uvodi precizniju granicu troškova od obrade cijele datoteke. Aplikacije potencijalno mogu izbjeći plaćanje za pregled stotina nerelevantnih stranica ili neiskorištenih kartica proračunske tablice kada se zadatak odnosi samo na uski odjeljak.
Razvojni programeri ipak bi trebali izbjegavati tretirati selektor kao zajamčenu procjenu troškova. Eventualni broj tokena i vrijeme obrade mogu ovisiti o strukturi datoteke, odabranom odsječku i načinu na koji model predstavlja taj materijal. Zapisi o korištenju trebaju zadržati i izvornu referencu datoteke i točne parametre odabira kako bi se troškovi mogli kasnije objasniti.
Ovo je posebno relevantno za preprodavače i softverske platforme koje korisnicima prikazuju raščlambu korištenja. Njihove knjige će možda trebati razlikovati veličinu učitane datoteke od dijela dostavljenog za zaključivanje. Bez te razlike, faktura bi se mogla činiti nedosljednom s dokumentom vidljivim korisniku ili otežati istraživanje sporova oko troškova.
OpenAI kompatibilnost ne pokriva svaki selektor
Selektori stranice, radnog lista, raspona ćelija, medijskog intervala i sloja sadržaja ne mapiraju se uredno na konvencionalni OpenAI-kompatibilni unos datoteke.Multi-model API pristupnik za timove stoga ima nekoliko izbora: izložiti Gemini-specifična proširenja, prevesti prijenosni podskup selektora ili zahtijevati od aplikacija da prethodno obrade datoteke prije upotrebe pružatelja koji nemaju ekvivalentne kontrole.
Tiho odbacivanje nepodržanih selektora bilo bi rizično. To bi moglo dovesti do toga da pružatelj obradi cijeli dokument, mijenjajući i odgovor i račun. Pristupnici bi trebali potvrditi zahtjeve, identificirati nepodržane tipove odabira i zabilježiti normalizirani zahtjev koji je u konačnici poslan uzvodno.
Isti problem utječe na usmjeravanje. Oba modela mogu oglašavati unos dokumenta dok podržavaju materijalno različite vrste datoteka, kontrole odabira i pravila naplate. Kontrolna razina AI API za timove razvojnih programera trebala bi eksplicitno predstavljati te mogućnosti umjesto da "unos datoteke" tretira kao jednu zamjenjivu značajku.
Što bi programeri trebali provjeriti
Timovi koji koriste Gemini trebali bi testirati reprezentativne Word, PowerPoint, Excel i OpenDocument datoteke, uključujući datoteke s formulama, ugrađenim medijima i složeni rasporedi. Trebali bi usporediti zahtjeve cijele datoteke i isječke za kvalitetu odgovora, upotrebu i latenciju, a pritom sačuvati metapodatke selektora u zapisima.
Operateri pristupnika imaju dodatni posao: definiraju shemu za nove kontrole, odbiju nepodržane rute između pružatelja usluga i ažuriraju mjerenje prema korisniku kako bi pokazali koji je sadržaj odabran. Izdanje može smanjiti rad na pretvorbi i nepotrebnu obradu, ali samo kada ti novi zahtjevi i semantika naplate prežive svaki sloj između aplikacije i Gemini.