Procesa documentos con el analizador de diseño de Gemini

El analizador de diseño de Document AI es un servicio avanzado de análisis de texto y comprensión de documentos que convierte el contenido no estructurado de archivos complejos en información altamente estructurada, precisa y legible por máquinas. Combina los modelos especializados de reconocimiento óptico de caracteres (OCR) de Google con las capacidades de IA generativa de Gemini. Comprende la estructura completa del documento, identifica elementos como tablas, figuras, listas y encabezados, y conserva las relaciones contextuales entre ellos, como qué párrafos pertenecen a qué encabezado.

Está diseñado para resolver un problema crítico de la búsqueda y la generación aumentada por recuperación (RAG): el OCR estándar aplana los documentos, lo que destruye el contexto y la estructura que agregan un significado valioso, como encabezados, tablas y listas.

Casos de uso principales

  • OCR de documentos: Puede analizar texto y elementos de diseño, como encabezados, pies de página, estructuras de tablas y figuras de documentos PDF.
  • Búsqueda y RAG de alta fidelidad: Su uso principal es preparar documentos para las canalizaciones de búsqueda y RAG. Cuando se crean fragmentos que tienen en cuenta el contexto, se mejora drásticamente la calidad de la recuperación y la exactitud de las respuestas generadas.
  • Transferencia de datos estructurados: Puede analizar documentos complejos (como informes o presentaciones 10-K) y, luego, indexar contenido estructurado (como tablas analizadas o descripciones de imágenes) en bases de datos, como se demuestra con BigQuery.

Cómo funciona

El analizador de diseño de Gemini procesa documentos en una canalización de varias etapas diseñada para preservar el significado semántico:

  • Análisis y estructuración: Se transfiere el documento. Todos los elementos se identifican y organizan en un formato de árbol. Este campo proto DocumentLayout conserva la jerarquía inherente del documento.
  • Anotar y verbalizar: Versión preliminar Las capacidades generativas de Gemini se usan para verbalizar elementos visuales complejos. Las figuras, los gráficos y las tablas se anotan con descripciones textuales enriquecidas.
  • Fragmentar y aumentar: El documento analizado y sus anotaciones se usan para crear fragmentos semánticamente coherentes. Estos fragmentos se aumentan con información contextual, como sus encabezados ancestrales, para garantizar que se conserve el significado del fragmento, incluso cuando se recupera de forma aislada.

Versiones del procesador

Los siguientes modelos están disponibles para el analizador de diseño. Para cambiar las versiones del modelo, consulta Administra versiones de procesadores.

Para realizar una solicitud de aumento de cuota (QIR) para la cuota predeterminada de procesadores, sigue los pasos que se indican en Administra tu cuota.

Versión del modelo Descripción Canal de versiones Fecha de lanzamiento
pretrained-layout-parser-v1.0-2024-06-03 Versión de disponibilidad general para el análisis de diseño de documentos. Esta es la versión predeterminada del procesador previamente entrenado. Estable 3 de junio de 2024
pretrained-layout-parser-v1.5-2025-08-25 Es una versión preliminar potenciada por el LLM de Gemini 2.5 Flash para un mejor análisis del diseño de los archivos PDF. Se recomienda para quienes quieran experimentar con versiones nuevas. Versión candidata para lanzamiento 25 de agosto de 2025
pretrained-layout-parser-v1.5-pro-2025-08-25 Versión preliminar potenciada por el LLM de Gemini 2.5 Pro para un mejor análisis de diseño en archivos PDF. v1.5-pro tiene una latencia más alta que v1.5. Versión candidata para lanzamiento 25 de agosto de 2025
pretrained-layout-parser-v1.6-pro-2025-12-01 Es una versión preliminar potenciada por el LLM de Gemini 3.0 Pro. Versión candidata para lanzamiento 1 de diciembre de 2025
pretrained-layout-parser-v1.6-2026-01-13 Es una versión preliminar potenciada por el LLM de Gemini 3.0 Flash. Versión candidata para lanzamiento 13 de enero de 2026
pretrained-layout-parser-v3.1-lite-2026-08-11 Es una versión preliminar potenciada por el LLM de Gemini 3.1 Flash Lite. Versión candidata para lanzamiento 11 de agosto de 2026
pretrained-layout-parser-v3.5-2026-07-09 Es la versión de disponibilidad general potenciada por el LLM de Gemini 3.5 Flash. Estable 18 de noviembre de 2026

Funciones clave

En el resto de esta documentación, el analizador de diseño de Gemini hace referencia a las versiones del procesador del analizador de diseño previamente entrenado basado en Gemini, como pretrained-layout-parser-v1.5-2025-08-25 y pretrained-layout-parser-v1.5-pro-2025-08-25. El analizador de diseño de Gemini admite las siguientes funciones clave.

Análisis avanzado de tablas

Las tablas de los informes financieros o los manuales técnicos son un punto de falla común para la RAG. El analizador de diseño de Gemini se destaca en la extracción de datos de tablas complejas con celdas combinadas y encabezados complejos.

Ejemplo: En esta presentación del formulario 10-K de Alphabet, el analizador de un competidor no logra alinear correctamente los encabezados y las celdas, lo que genera una interpretación errónea de los datos financieros. El analizador de diseño de Gemini analiza con precisión toda la estructura de la tabla y preserva la integridad de los datos.

layout-parse-gemini-1

Figura 1. La fuente de este documento de entrada es el "formulario 10-K de la SEC de Alphabet de 2024", página 72.

El analizador de la competencia no detecta correctamente la alineación de celdas y columnas, y alucina valores.

layout-parse-gemini-2

El analizador de diseño de Gemini alinea las columnas correctamente y proporciona valores precisos.

layout-parse-gemini-3

Alucinaciones reducidas

A diferencia de los analizadores puros basados en LLM que intentan leer texto que no está allí, la base del analizador de diseño de Gemini en el OCR avanzado lo fundamenta en el contenido real del documento. Esto genera una cantidad significativamente menor de alucinaciones.

Ejemplo: En este extracto del formulario 10-K, un modelo de la competencia alucina y, además, inserta texto incorrecto. El analizador de diseño de Gemini proporciona una extracción limpia y precisa de solo el texto presente en la página.

layout-parse-gemini-5

Figura 2. Documento de entrada (Alphabet 2024 10k p75)

Los modelos de la competencia alucinarán valores.

layout-parse-gemini-6

El analizador de diseño de Gemini identifica correctamente los valores en imágenes y tablas.

layout-parse-gemini-7

División en fragmentos adaptada al diseño

Los analizadores estándar suelen crear fragmentos que se quitan de su contexto original, lo que separa un párrafo de su encabezado. El analizador de diseño de Gemini comprende la jerarquía del documento. Crea fragmentos con contexto que incluyen contenido de encabezados ancestrales y de tablas. Un fragmento recuperado contiene no solo el texto, sino también el contexto estructural necesario para una respuesta precisa del LLM.

layout-parse-gemini-8

Figura 3. La fuente de esta imagen es "Hierarchical Text Spotter for Joint Text Spotting and Layout Analysis", de Shangbang Long, Siyang Qin, Yasuhisa Fujii, Alessandro Bissacco y Michalis Raptis.

Anotación de diseño

La anotación del analizador de diseño puede identificar si hay imágenes o tablas en los documentos analizados. Cuando se encuentran, se anotan como un bloque de texto descriptivo con la información que se muestra en la imagen y la tabla.

Por ejemplo, cuando se procesa un informe bancario, el analizador no solo ve una imagen. Genera una descripción detallada y extrae los datos de los tres gráficos circulares, lo que hace que esos datos estén disponibles para su recuperación.

layout-parse-gemini-4

Figura 4. La fuente de esta entrada es un PDF guardado de "La sentencia CREATE MODEL para los modelos ARIMA_ PLUS_XREG" en el sitio de Google Cloud.

This diagram illustrates a two-phase machine learning pipeline for time series
forecasting: "CREATE MODEL" and "ML.FORECAST".

**CREATE MODEL Phase:**

* **Input Data:** The process begins with multivariate time series (target +
covariates).
* **Covariates Preprocess:** The covariates from the multivariate time series
undergo covariates preprocess.
* **Linear Regression:** The preprocessed covariates are fed into a linear
regression model. The output of this step is non-covariates time series.
* **ARIMA_PLUS pipeline:** The "Non-covariates time series" then enters an
"ARIMA_PLUS pipeline". 
* **Outputs of CREATE MODEL:** The results from the ARIMA_PLUS pipeline, along
with data from the linear regression step, generate three outputs: covariates
weights, evaluation metrics and model coefficients and forecasted time series
(non-covariates).

**ML.FORECAST Phase:**

* **Input Data:** This phase starts with "Multivariate time series (covariates)".
* **Covariates Preprocess:** 
* **Linear Prediction:** The preprocessed covariates are fed into a linear
prediction step.
* **Aggregation:** The covariates (predicted contribution from covariates)
are then combined with the forecasted time series (non-covariates) obtained
from the CREATE MODEL phase.
* **Final Output:** The result of the aggregation is the forecasted time
series, which is the final prediction of the target variable.

**Overall Flow:**

The diagram shows a two-stage forecasting approach. In the CREATE MODEL stage,
a model is built to separate the target time series into components influenced
by covariates and components that are not. The non-covariate component is then
processed and forecasted using an ARIMA_PLUS pipeline. The covariate component's
relationship with the target is captured by linear regression weights. In the
ML.FORECAST stage, these learned components are combined with future covariate
data to produce a final forecast.

Limitaciones

Se aplica la siguiente limitación:

  • Procesamiento en línea:
    • Tamaño máximo del archivo de entrada de 20 MB para todos los tipos de archivos
    • Máximo de 15 páginas por archivo PDF
  • Procesamiento por lotes:
    • Tamaño máximo de 1 GB para archivos PDF individuales
    • Máximo de 500 páginas por archivo PDF

Detección de diseño por tipo de archivo

En la siguiente tabla, se enumeran los elementos que el analizador de diseño puede detectar por tipo de archivo de documento.

Tipo de archivo Tipo de MIME Elementos detectados Limitaciones
HTML text/html párrafo, tabla, lista, título, encabezado, encabezado de página, pie de página Ten en cuenta que el análisis depende en gran medida de las etiquetas HTML, por lo que es posible que no se capture el formato basado en CSS.
PDF application/pdf figura, párrafo, tabla, título, encabezado, encabezado de página, pie de página Las tablas que abarcan varias páginas podrían dividirse en dos tablas.
DOCX application/vnd.openxmlformats-officedocument.wordprocessingml.document párrafos, tablas en varias páginas, listas, títulos y elementos de encabezado No se admiten las tablas anidadas.
PPTX application/vnd.openxmlformats-officedocument.presentationml.presentation elementos de párrafo, tabla, lista, título y encabezado Para que los encabezados se identifiquen con precisión, deben marcarse como tales en el archivo de PowerPoint. No se admiten las tablas anidadas ni las diapositivas ocultas.
XLSX application/vnd.openxmlformats-officedocument.spreadsheetml.sheet tablas dentro de hojas de cálculo de Excel, que admiten valores INT, FLOAT y STRING No se admite la detección de varias tablas. Las hojas, filas o columnas ocultas también pueden afectar la detección. Se pueden procesar archivos con hasta 5 millones de celdas.
XLSM application/vnd.ms-excel.sheet.macroenabled.12 Hoja de cálculo con macros habilitadas, que admite valores INT, FLOAT y STRING No se admite la detección de varias tablas. Las hojas, filas o columnas ocultas también pueden afectar la detección.

¿Qué sigue?