Gemini 提取文案老失败?四类原因逐个排查

第一类：把 Gemini 当成了 OCR 在使唤

很多人拿 Gemini 转文字，第一句话就是「帮我把这张图里的字全文逐字转写出来」。这个要求本身，就是一次失败的开始。Gemini 不是 OCR（一种专门把图片里的文字识别成纯文本的技术），它是一套多模态大模型——它会「看」图、理解图，但不保证逐字精确还原。小字、压缩过的截图、密集排版，都会让「看」变成「猜」。

与之相关的一个常见抱怨是：传上来的图片好像被自动压过，放大全是马赛克。这一点我自己也遇到过，图片上传后明显被降质模糊，导致文字提取错误。也就是说，图片还没到模型手里，细节就已经丢了。

应对办法： 与其追求「逐字」，不如把目标改成「带校对的理解」。让 Gemini 先转写，别直接拿去用，对照原文抽查几个关键段落。公式、代码、表格这类格式最容易走样，转写后几乎都需要手工校对，不要抱幻想。

第二类：输入图片本身就埋了雷

转写失败，很多时候怪不到模型头上——是图没拍好、截好。反光、阴影、手抖、字太小、页面弯折，都是一张废图。长截图是另一个重灾区：一整页网页截成一张长图，模型往往只吃到中间一段，开头结尾静默消失，更糟的是它不会主动告诉你。你们之间隔着同一张图，你们看见的却可能不是同一张图。

应对办法： 截图或拍照时，先让文字足够大。拍书页时手机凑近一点；截网页时把浏览器缩放调到 80% 甚至 50%，让整段内容尽量清晰、完整地落进一张图。长图就拆开喂——一次只给一屏或一个章节的截图，喂完一段核对一段。别一次抛半本书上去，模型处理不了那么多。

第三类：模型版本不对，效果天差地别

同一个任务，换一个模型版本，成功率可能从三成跳到八成。图像理解和文字提取的能力，在 Gemini 各个版本之间差异很大。早期版本对密集文字的识别能力明显偏弱，后期版本针对效率和多模态质量做了明显改进——比如 3.6 Flash 这一代，官方博客里写的定位就是更好的多模态表现，而且输出 token 消耗量比前一代减少 17%，每输出 token 的成本也更低。换句话说，你手上那个失败率很高的旧模型，可能早就是该被替换掉的那一个。

应对办法： 默认优先用你接触得到的最新一代 Gemini（在网页端的模型下拉菜单里选，或直接用默认的最新版本）。如果你手头同时有几个可选模型（有些工具平台会列出多个型号），拿同一张测试图各跑一遍，选那个对文字转写最稳的固定下来——每个任务组合都有一个「甜点模型」。另外，图片尽量不要二次截图、反复转存，每转一次就是一次压缩。

第四类：模型说「完成了」，但你没核对

最坑的一类失败，是模型特别自信地告诉你「已全部转写完成」，实际漏了一半。这类「自信的幻觉」在长文本生成里不罕见——模型补全了它觉得应该有的内容，而不是它真正看全的内容。如果你不做抽查，非常容易把一份缺胳膊少腿的稿子直接送进下一环节。

应对办法： 养成对账习惯。拿到转写结果，先核三处：开头一段、结尾一段、中间带公式或特殊符号的一段。你可以明确要求模型「只输出你实际在图中看到的文字，看不到的部分写 [漏]」，但别指望这个要求能百分之百约束住它——抽查才是底线。

一句话总结排查顺序

一张图提取失败，按这个顺序查：图本身清不清楚（字够大、无压缩）→ 是不是图太长被截断（拆块）→ 用的模型是不是最新（换新版）→ 有没有抽查（对账原文）。图片质量是第一位的，模型选择其次，提示词反而是最后一位。这个问题上没有神级提示词，只有四条硬功夫。