A partir de una necesidad que me planteó una persona amiga que debía analizar cierta información de un archivo en formato .pdf (contenía texto e imágenes), pensé en darle forma a este artículo y que sirviera no solo para darle una respuesta sino además como disparador de otras ideas.

Actualmente, la familia de modelos Gemini incluye principalmente los siguientes:

• Gemini Pro: Este modelo está diseñado para una amplia gama de tareas y ofrece un rendimiento superior en muchas áreas, incluyendo razonamiento, comprensión de texto, codificación y capacidades multimodales. Es un buen equilibrio entre potencia y eficiencia.
• Gemini Ultra: Este es el modelo más potente y está diseñado para tareas altamente complejas que requieren un razonamiento avanzado y una comprensión profunda. También cuenta con capacidades multimodales avanzadas.
• Gemini Flash: Este modelo está optimizado para velocidad y eficiencia, ideal para aplicaciones sensibles a la latencia. Aunque es capaz, sus capacidades podrían ser ligeramente inferiores a las de Pro y Ultra en tareas complejas.

En términos generales, todos estos modelos son capaces de:

• Comprensión y generación de texto: Pueden entender preguntas complejas, resumir información, generar diferentes formatos de texto creativo (poemas, código, guiones, piezas musicales, correo electrónico, cartas, etc.) y traducir idiomas.
• Razonamiento: Pueden realizar razonamiento lógico, resolver problemas y responder preguntas que requieren inferencias.
• Codificación: Tienen la capacidad de generar, comprender y depurar código en varios lenguajes de programación.

(2) Modelos de Gemini con capacidades multimodales (texto e imágenes/gráficos):

Tanto Gemini Pro como Gemini Ultra son modelos multimodales. Esto significa que pueden procesar y comprender información que proviene de diferentes modalidades, incluyendo texto e imágenes. Pueden analizar el contenido de una imagen en relación con el texto circundante, identificar objetos, comprender el contexto visual y responder preguntas basadas en la combinación de ambas modalidades.

(3) Procesamiento directo de archivos PDF:

Actualmente, ninguno de los modelos de Gemini puede procesar directamente archivos PDF en su formato nativo. Para analizar el contenido de un PDF, generalmente se requiere una extracción previa del texto y las imágenes. Existen varias bibliotecas y herramientas disponibles para realizar esta extracción, convirtiendo el PDF en texto plano y archivos de imagen separados que luego pueden ser proporcionados al modelo Gemini.

Punto para reflexionar: Aquí hay una diferencia con ChatGPT que sí lo puede procesar, con algunas limitaciones claro: límites de uso, tamaño y formato de archivos, capacidad de análisis.

(4) Modelo multimodal para contenido predominantemente textual con elementos visuales:

Supongamos que el contenido es predominantemente textual (90%) con algunos gráficos (10%), Gemini Pro probablemente ofrezca el mejor equilibrio. Si bien Gemini Ultra es más potente, Pro debería ser suficiente para analizar el texto principal de manera efectiva y también comprender e integrar la información de los gráficos. Utilizar Ultra podría ser innecesario para la proporción de contenido visual y podría implicar un mayor costo computacional o de API.

Punto para reflexionar: Tengamos en cuenta el consumo de tokens, en todo momento. Recuerda que el análisis de archivos como PDFs implica consumo de tokens, ya que todo lo que el modelo lee y genera, tanto desde archivos como en tus mensajes, se cuenta en función de tokens.

(5) Comparación de fortalezas en análisis de texto y gráficos:

• Análisis de Texto: Tanto Gemini Pro como Ultra son extremadamente competentes en el análisis de texto. Pueden realizar tareas como:
  • Extracción de información clave.
  • Resumen de documentos extensos.
  • Análisis de sentimiento.
  • Detección de temas y patrones.
  • Respuesta a preguntas complejas basadas en el texto.
  • Traducción.
  • Generación de nuevo texto basado en el contenido. Gemini Ultra generalmente mostrará un rendimiento ligeramente superior en tareas de razonamiento profundo y comprensión de matices complejos en el texto.
• Análisis de Gráficos: Ambos modelos multimodales pueden analizar gráficos hasta cierto punto, incluyendo:
  • Identificación de los tipos de gráficos (barras, líneas, circulares, etc.).
  • Extracción de datos representados visualmente (tendencias, comparaciones, proporciones).
  • Comprensión de las etiquetas y leyendas.
  • Relacionar la información visual con el texto circundante. Gemini Ultra podría ofrecer una comprensión más detallada y precisa de los elementos visuales y sus interrelaciones con el texto, especialmente en gráficos complejos.

(6) Versiones específicas de los modelos optimizadas para análisis de documentos:

Hasta el momento, no se han anunciado públicamente versiones específicas de los modelos Gemini optimizadas exclusivamente para el «análisis de documentos». Sin embargo, los modelos Pro y Ultra, con sus capacidades generales y multimodales, están diseñados para ser aplicables a tareas de procesamiento y comprensión de documentos. Es posible que en el futuro se lancen versiones más especializadas.

(7) Recomendación del modelo de Gemini más adecuado:

Para la tarea específica de analizar contenido predominantemente textual (90%) con algunos gráficos (10%), la recomendación es Gemini Pro.

Razones:

• Equilibrio óptimo: Ofrece un excelente rendimiento en el análisis de texto, que constituye la mayor parte de tu contenido, y al mismo tiempo posee las capacidades multimodales necesarias para comprender e integrar la información de los gráficos.
• Eficiencia: Es probable que sea más eficiente en términos de costo y velocidad en comparación con Gemini Ultra para esta proporción de contenido.
• Capacidades suficientes: Para la tarea descrita, las capacidades de razonamiento y comprensión de Gemini Pro deberían ser más que suficientes para analizar el texto y los gráficos de manera efectiva.

Consideraciones adicionales:

• Preprocesamiento: Habrá que preprocesar los archivos PDF para extraer el texto y las imágenes antes de poder alimentar esta información al modelo Gemini a través de su API.
• Experimentación: Se pueden realizar algunas pruebas con ambos modelos (Pro y Ultra, teniendo en cuenta el costo) para evaluar cuál ofrece los mejores resultados.

Con Gemini Advanced si se puede

Gemini Advanced tiene la capacidad de analizar archivos PDF directamente.

• Carga de Archivos: Se le puede proporcionar archivos PDF directamente a la interfaz de Gemini Advanced (tanto en la aplicación web como en la móvil).
• Procesamiento Nativo de Visión en PDF: Los modelos de Gemini pueden «ver» el contenido de los PDFs, lo que significa que pueden analizar tanto el texto como los elementos visuales dentro del documento (diagramas, gráficos, tablas).
• Capacidades de Análisis: Con un PDF cargado, puedes pedirle a Gemini Advanced que:
  • Analice diagramas, gráficos y tablas, extrayendo información.
  • Extraiga información en formatos estructurados.
  • Responda preguntas basadas en el contenido textual y visual del documento.
  • Resuma documentos.
  • Transcriba el contenido del documento (por ejemplo, a HTML) manteniendo el diseño y el formato.
• Contexto Extendido: Gemini Advanced, con su ventana de contexto extendida, puede procesar documentos PDF extensos (hasta 1500 páginas o más, dependiendo del modelo específico dentro de Gemini Advanced).

O sea, ya no necesitas extraer el texto e imágenes por separado. Gemini Advanced puede trabajar directamente con tus archivos PDF para comprender y analizar su contenido de manera integral.

Conclusión

Si no cuentas con Gemini Advanced, no podrás analizar archivos PDF directamente dentro de la interfaz de chat de Gemini.

¿Por qué?

• Función Exclusiva de Gemini Advanced: La capacidad de cargar y analizar archivos PDF de forma nativa es una de las características premium que ofrece la suscripción a Gemini Advanced (parte del plan Google One AI Premium).
• Gemini (Gratuito): La versión gratuita de Gemini, que utiliza el modelo Gemini 1.5 Flash, no tiene la funcionalidad integrada para procesar directamente archivos PDF cargados por el usuario. Si bien puede comprender texto e imágenes en general, no puede «ver» y analizar la estructura y el contenido de un archivo PDF directamente en la interfaz de chat.

¿Qué puede hacer un usuario sin Gemini Advanced para analizar el contenido de un PDF?

1. Extraer el texto: Utilizar herramientas o software de terceros para copiar y pegar el texto del PDF en la ventana de chat de Gemini.
2. Extraer las imágenes: Guardar las imágenes del PDF por separado y luego intentar describirlas o preguntar sobre ellas en relación con el texto que haya podido extraer.

Sin embargo, este proceso es mucho más laborioso y menos eficiente, y se pierde la capacidad de Gemini de comprender la relación entre el texto y los elementos visuales dentro del contexto del documento PDF original. No podrá analizar diagramas o tablas de manera efectiva sin la capacidad de «ver» el archivo directamente.

En resumen, la comodidad y la capacidad de análisis integral de archivos PDF son beneficios clave que se desbloquean con la suscripción a Gemini Advanced.