Gemma 4 предложили использовать для локального разбора PDF через изображения страниц

Подход, при котором PDF обрабатывается как набор изображений, помогает обойти ограничения классических инструментов для извлечения текста. Как пишет KDnuggets, библиотеки вроде pdfplumber, PyPDF2 и pdfminer зависят от наличия текстового слоя внутри PDF. Если документ представляет собой скан, результат может оказаться пустым. В сложных макетах такие инструменты нередко извлекают текст без структуры и теряют связи между полями.

Авторы предлагают другой вариант: рендерить каждую страницу PDF в изображение и передавать его vision-language модели Gemma 4. В этом случае модель анализирует страницу визуально, без OCR-пайплайна, парсера макета и шаблонов под конкретные типы документов. В статье описан локальный пайплайн для обработки счетов поставщиков. Из документов извлекаются название компании, номер счета, позиции, итоговые суммы и дата оплаты, после чего данные сохраняются в структурированном JSON.

В материале отмечается, что такой подход одинаково подходит и для цифровых PDF с текстовым слоем, и для сканированных документов. Отдельно авторы выделяют сохранение структуры документа. Модель воспринимает таблицы, колонки и формы как визуальные объекты, тогда как традиционные инструменты часто смешивают содержимое колонок и теряют контекст строк и ячеек.

Gemma 4 выпущена Google DeepMind 2 апреля 2026 года под лицензией Apache 2.0. Модель поддерживает обработку документов и PDF, а также OCR, распознавание рукописного текста и анализ экранов. Она может работать полностью локально, без API и облачных вызовов. Для изображений доступны бюджеты визуальных токенов 70, 140, 280, 560 и 1120, благодаря чему можно выбирать между скоростью и качеством разбора.