芯耀
与非AI
1044
很多人对 Gemini 的印象还停留在"能聊天的大模型"，但 3.1 Pro 发布之后，多模态能力已经不是锦上添花，而是它最核心的竞争力之一。传一张图片、丢一份 PDF，Gemini 能看懂、能分析、还能直接生成图文结合的回复。
今天就从零开始，把上传图片、上传文档、获取图文输出这三件事讲透。
一、传图片：不只是"看图说话"
Gemini 3.1 Pro 支持的图片格式包括 JPG、PNG、GIF（静态帧）、WebP，单张大小上限 20MB。上传入口很直观：网页端点输入框旁边的"+"号，手机端走分享菜单或者直接拖拽。
但上传只是第一步，关键是怎么提问。
场景一：UI 截图还原代码。 做前端开发的应该都遇到过——设计师丢来一张截图，说"就照这个做"。以前得自己对着截图一点点抠布局，现在直接把截图丢给 Gemini，prompt 写清楚技术栈：
根据这张截图，用 React + Tailwind CSS 生成对应的组件代码。注意：左侧是固定宽度的导航栏，右侧内容区需要响应式适配。
生成的代码质量相当高，尤其是布局结构和间距比例，基本能还原到 90%。剩下 10% 的细节微调，比从零写快了至少两倍。
场景二：图表数据提取。 丢一张柱状图或者折线图的截图，让 Gemini 直接把数据点读出来，生成表格。实测下来，对于清晰度较高的图表，数据提取准确率超过 95%。但如果是手写或者像素很低的扫描图，识别率会打折扣。
场景三：代码截图纠错。 手机上拍的代码照片、屏幕录制里截出来的代码片段，直接传给 Gemini，它能识别出语法错误并且给出修正方案。这个功能在"不方便复制粘贴"的场景下特别实用——比如在白板上写的算法逻辑，拍一张就行。
二、传文档：PDF、Word、代码文件全能读
文档分析是 Gemini 3.1 Pro 多模态的另一个重头戏。支持的格式包括 PDF、TXT、CSV、代码文件（.py、.js、.ts 等），单文件上限 200MB。
上传方式分两种： 网页端通过对话框的附件按钮上传；API 端则通过 Base64 编码或文件引用的方式传入。对于普通用户来说，网页端拖拽上传最省事。
核心场景拆解：
长文档总结。 一份 50 页的技术白皮书、一篇冗长的产品需求文档，丢给 Gemini，让它在 30 秒内给出结构化摘要。比起手动阅读，效率差距是量级的。我试过把一份 120 页的系统架构设计文档传进去，Gemini 不仅提炼出了核心架构决策，还标出了文档里前后矛盾的两处描述——这种细节捕捉能力是很多人用 AI 工具时没想到的。
代码仓库分析。 把一个项目的主要代码文件打包传入，让 Gemini 分析整体架构、模块依赖关系、潜在的技术债。对于接手遗留项目的开发者来说，这个功能能省下大量"读前任代码"的时间。
对比表格生成。 传入两份方案文档，让 Gemini 做横向对比，输出差异分析表。产品评审、竞品分析这类工作，用这个方式能快速拉齐信息差。
三、图文混合输出：这才是真正的多模态
很多用户没注意到的是，Gemini 3.1 Pro 不只是"输入多模态"，它的输出也是多模态的。生成的回复里可以包含图片、图表、结构化数据，而不只是纯文本。
比如你传一张产品原型图，让它"分析这个界面的可用性问题，并画出改进后的线框图"，Gemini 能直接生成改进方案的示意图。再比如传一份销售数据的 CSV，让它"用柱状图展示各区域销售额对比"，输出里会附带一张生成的图表。
这种"输入素材 → 分析 → 输出可视化结果"的闭环，是目前其他主流模型还没有完全跑通的。Claude 3.5 在文本推理上很强，但多模态输出几乎为零；GPT-4o 的图像理解在进步，但图文混合生成的稳定性还不够。
说白了，多模态的终局不是"能看图"，而是"能看图、能思考、还能出图"。 Gemini 3.1 Pro 在这条路上走得最远。
对了，如果你手头有多个AI模型账号，想横向对比同一批图片或文档的处理效果，可以去一些工具整合站点做批量测试。比如 t.myliang.cn 上就有不少用户分享的多模型对比实测，参考别人踩过的坑比自己摸索高效得多。
四、行业观察：多模态正在重新定义"AI工具"
从竞争格局看，多模态能力正在成为大模型新的分水岭。
谷歌押 Gemini 的多模态路线很明确——从 1.5 Pro 的长上下文，到 2.0 的多模态输出，再到 3.1 Pro 的推理增强，每一代都在扩展"能处理什么"的边界。OpenAI 走的是 GPT-4o 的"全模态统一"路线，Anthropic 的 Claude 则在文本深度上死磕。
三种路径没有绝对的对错，但对国内用户来说，实际体验的差异已经很明显。Gemini 3.1 Pro 在图片理解、文档分析、图文混合生成这三个维度上，综合表现最均衡。
未来的趋势也很清晰：多模态将从"可选功能"变成"默认能力"。 就像现在的手机必须能拍照一样，以后的大模型不能读图读文档，基本就不配叫大模型。
五、几个实用技巧
最后分享几个实操中的经验：
图片质量决定识别上限。 光线充足、分辨率高的图片，Gemini 识别准确率接近满分。反过来，模糊截图或者倾斜拍的文档，效果会打折扣。
复杂任务拆步骤。 别一次扔太多要求，分步提问比"一股脑全说"效果好。
善用追问。 第一轮回答不满意没关系，追问细节、指定格式、补充约束，Gemini 的迭代能力很强。
