Gemini OCR: Standard, Flex and Batch

Эта страница описывает, как в Audion Office OCR AI использовать Gemini для OCR после добавления Gemini tier, Gemini Batch OCR и Забрать Gemini Batch.

Официальные страницы Google:

Коротко

Standard - обычный интерактивный Gemini API. Используйте его для одиночных страниц, проверки качества OCR и задач, где важен быстрый ответ.

Flex - тот же интерактивный запрос, но с service_tier=flex. Он дешевле, зато может дольше ждать свободную мощность или отказать при перегрузке. В проекте для Flex увеличен таймаут, потому что очередь может ждать минуты.

Batch - отдельный асинхронный режим. Проект сначала готовит локальный JSONL и manifest, затем по переключателю отправляет paid job в Google. Готовый результат забирается отдельной операцией Забрать Gemini Batch.

Где в GUI

Платный API OCR:

выберите движок Gemini;
выберите модель;
выберите ключ Gemini;
в поле Gemini tier выберите Standard или Flex;
для проблем с transport/timeout можно отключить Gemini stream.

Тест качества OCR:

включите API-чекбокс;
выберите Gemini среди API-движков;
выберите Gemini tier;
сравните raw/clean на одной странице перед массовым прогоном.

Инструменты проекта:

Gemini Batch OCR - подготовить JSONL/manifest и при необходимости отправить Batch job;
Забрать Gemini Batch - проверить job и скачать готовый Markdown.

Gemini Batch OCR

Поля:

PDF/изображение/папка - файл, папка или относительный путь от корня проекта;
Страницы - all, одиночная страница или диапазоны вроде 6-8,12;
DPI рендера - обычно 300;
Препроцессинг - Raw, Auto, Heavy, Numbers;
Gemini model - модель Gemini;
Gemini key - локальный key-файл;
Отправить в Google - выключено по умолчанию.

Если Отправить в Google выключен, операция только готовит локальные файлы и ничего не отправляет наружу. Это безопасный dry-run для проверки размера и состава Batch-запроса.

Если Отправить в Google включен, проект:

Рендерит выбранные страницы.
Применяет выбранный preprocess-профиль.
Собирает requests.jsonl.
Загружает JSONL через Gemini File API.
Создаёт Batch job.
Записывает job_name в manifest и workspace\gemini_batch\latest.json.

Где лежат файлы

Каждый запуск пишет отдельную папку:

workspace\gemini_batch\YYYYMMDD_HHMMSS\
  manifest.json
  requests.jsonl
  status.json          после проверки job
  results.jsonl        после скачивания результата
  pages\*.md           Markdown по страницам
  *_gemini_batch.md    склеенный Markdown по исходному файлу

Последний запуск:

workspace\gemini_batch\latest.json

latest.json хранит путь к manifest и последний job_name, чтобы Забрать Gemini Batch мог работать без ручного копирования id.

Проверенный dry-run

Проверка была выполнена без отправки в Google:

input\Вопрос 239.pdf
pages: 6-8
DPI: 300
preprocess: Raw
model: gemini-3.5-flash
submit: false

Результат проверки:

создан manifest;
создан requests.jsonl;
строк JSONL: 3;
ключи запросов: 239_page_0006, 239_page_0007, 239_page_0008;
первая картинка передана как image/png;
prompt, system instruction и temperature=0.0 присутствуют.

Практические рекомендации

Для одиночных страниц и OCR-бенчмарков начинайте со Standard.

Для больших несрочных прогонов используйте Batch: он удобнее для сотен/тысяч страниц и дешевле стандартного интерактивного режима, но результат приходит позже.

Flex имеет смысл, когда нужен обычный синхронный OCR-запрос, но цена важнее стабильной задержки. Если Gemini начал долго ждать, ловить transport timeout или capacity errors, вернитесь на Standard либо используйте Batch.

Для таблиц и страниц с вертикальными полосами сначала пробуйте Raw. Сильная очистка может помочь слабому тексту, но иногда повреждает линии таблиц и строки рядом с полосами.

English Summary

Use Standard for normal interactive Gemini OCR. Use Flex when lower cost is more important than stable latency. Use Gemini Batch OCR for large non-urgent jobs: it prepares a local JSONL/manifest first, submits a paid Google Batch job only when the submit toggle is enabled, and Забрать Gemini Batch downloads finished Markdown later.