Google expandiu os recursos de processamento de documentos do Gemini API com suporte nativo para arquivos do Microsoft Office e OpenDocument, juntamente com controles para selecionar apenas as partes de um arquivo que um modelo deve processar.
Os aplicativos podem enviar documentos do Word, apresentações do PowerPoint, pastas de trabalho do Excel e arquivos OpenDocument sem primeiro convertê-los em outro formato compatível. Eles também podem direcionar páginas de documentos, guias de planilhas, intervalos de células, intervalos de áudio ou vídeo e camadas de conteúdo específicas. Google diz que os clientes processam e pagam apenas pelo conteúdo selecionado.
A combinação é mais importante do que o suporte básico ao formato de arquivo. Ele transforma a seleção de arquivos em parte da solicitação de inferência e de sua semântica de cobrança, reduzindo potencialmente a quantidade de material irrelevante enviado a um modelo. Isso também cria um novo desafio de compatibilidade para gateways que tentam apresentar uma interface consistente entre provedores.
A conversão de arquivos nem sempre é necessária
Aplicativos de documentos geralmente usam serviços de conversão para extrair texto, renderizar páginas ou normalizar arquivos antes de enviar seu conteúdo para um modelo. O suporte nativo do Office pode remover algumas dessas etapas dos pipelines baseados em Gemini, especialmente para fluxos de trabalho criados em torno de relatórios, apresentações e planilhas.
Isso poderia simplificar os sistemas de ingestão e preservar mais a estrutura original de um documento. Um assistente financeiro, por exemplo, poderia direcionar Gemini para uma planilha ou intervalo de células específico em vez de extrair e transmitir uma pasta de trabalho inteira. Um fluxo de trabalho de apresentação pode selecionar um grupo de slides, enquanto um aplicativo de mídia pode isolar um intervalo relevante de áudio ou vídeo.
O fatiamento está disponível tanto em prompts do usuário quanto em respostas de funções de suporte de arquivo. Este último é significativo para os agentes: uma ferramenta pode retornar um arquivo enquanto identifica a parte que deve ser considerada pelo modelo, em vez de forçar o aplicativo a criar um arquivo derivado separado para cada resultado da ferramenta.
Os ganhos práticos variam. Fórmulas complexas, objetos incorporados e layouts incomuns do Office podem não se comportar de forma consistente entre arquivos, e o pacote de pesquisa não estabelece token universal ou reduções de latência. As equipes precisarão de testes representativos antes de remover os estágios existentes de conversão e validação.
O conteúdo selecionado se torna um limite de faturamento
Google A afirmação de que os clientes pagam apenas pelo conteúdo selecionado introduz um limite de custo mais granular do que o processamento de arquivo inteiro. Os aplicativos podem evitar pagar para inspecionar centenas de páginas irrelevantes ou guias de planilhas não utilizadas quando uma tarefa diz respeito apenas a uma seção restrita.
Os desenvolvedores ainda devem evitar tratar um seletor como uma estimativa de custo garantida. A eventual contagem de tokens e o tempo de processamento podem depender da estrutura do arquivo, da fatia selecionada e de como o modelo representa esse material. Os registros de uso devem reter a referência do arquivo original e os parâmetros de seleção exatos para que os custos possam ser explicados posteriormente.
Isso é especialmente relevante para revendedores e plataformas de software que mostram aos clientes um detalhamento do uso. Seus livros contábeis podem precisar distinguir o tamanho de um arquivo carregado da parte enviada para inferência. Sem essa distinção, uma fatura pode parecer inconsistente com o documento visível ao usuário ou dificultar a investigação de disputas de custos.
OpenAI a compatibilidade não cobre todos os seletores
Os seletores de página, planilha, intervalo de células, intervalo de mídia e camada de conteúdo não são mapeados perfeitamente em uma entrada de arquivo convencional compatível com OpenAI.Um gateway multimodelo API para equipes portanto tem diversas opções: expor extensões específicas de Gemini, traduzir um subconjunto portátil de seletores ou exigir que os aplicativos pré-processem arquivos antes de usar provedores que não possuem controles equivalentes.
Descartar silenciosamente seletores não suportados seria arriscado. Isso poderia fazer com que um fornecedor processasse um documento inteiro, alterando tanto a resposta quanto a fatura. Os gateways devem validar solicitações, identificar tipos de seleção não suportados e registrar a solicitação normalizada que foi enviada upstream.
O mesmo problema afeta o roteamento. Dois modelos podem anunciar a entrada de documentos e, ao mesmo tempo, oferecer suporte a tipos de arquivos, controles de seleção e regras de cobrança materialmente diferentes. Um AI API plano de controle para equipes de desenvolvedores deve representar esses recursos explicitamente em vez de tratar a “entrada de arquivo” como um único recurso intercambiável.
O que os desenvolvedores devem verificar
As equipes que usam Gemini devem testar arquivos representativos do Word, PowerPoint, Excel e OpenDocument, incluindo arquivos com fórmulas, mídia incorporada e layouts complexos. Eles devem comparar solicitações de arquivo inteiro e fatiadas para qualidade de resposta, uso e latência, preservando os metadados do seletor nos registros.
Os operadores de gateway têm trabalho adicional: definir um esquema para os novos controles, rejeitar rotas entre provedores não suportadas e atualizar a medição voltada ao cliente para mostrar qual conteúdo foi selecionado. A versão pode reduzir o trabalho de conversão e o processamento desnecessário, mas somente quando essas novas semânticas de solicitação e cobrança sobreviverem a cada camada entre o aplicativo e Gemini.