前阵子在库拉KULAAI（t.kulaai.cn）上测模型，发现 Gemini 2.0 的图片理解能力又更新了一轮，尤其是表格识别和财报图文解析这两块，精度提升很明显。对经常需要处理研报截图、合同扫描件、数据报表的人来说，这东西能省掉大量手动录入的时间。
为什么金融从业者特别需要图片理解
做投资的人都有这个痛点：大量信息是以图片形式存在的。
券商研报的 PDF 里经常嵌着扫描页，表格没法直接复制；上市公司公告里关键数据做成图片防爬；会议纪要拍个照存档，回头要用的时候才发现全是像素；甚至有些财经自媒体的文章，核心数据直接用截图贴图，连个原始数字都不给。
过去处理这些东西，要么手动敲键盘录入，要么用传统 OCR 工具。手动录入慢，传统 OCR 对中文表格的识别准确率低得可怜，经常把"营收增长率 12.3%"识别成"营收增妖率 12.3%"。
Gemini 的图片理解走的不是传统 OCR 的路。它不只识别文字，而是理解整个页面的结构——哪里是标题、哪里是表格、哪里是注释、哪个数字属于哪个指标。这个能力的差距是本质性的。
实测：四类金融场景的识别效果
第一类，研报数据表截图。从一份券商研报里截了一张三季报对比表，包含 12 家公司的营收、净利润、同比增速等指标。丢给 Gemini，指令是"识别图片中的表格，输出为 Markdown 格式，保留所有数字精度。"结果基本全对，唯一的问题是有一列百分比的正负号漏了一个，手动改一下就行。
第二类，上市公司公告扫描件。测试了一张年报中的董事会决议页，文字排版密集，夹杂着金额数字和日期。Gemini 的识别准确率在 95% 以上，连"壹亿贰仟叁佰万元"这种大写金额都能正确转成阿拉伯数字。
第三类，手写会议纪要拍照。这个难度最高。我在白板上手写了一段投资策略要点，拍照传给 Gemini，指令是"识别手写文字，整理为结构化笔记，按优先级排列。"输出结果大致能用，但有三处识别错误，都是连笔字造成的。跟 GPT-4o 对比，两者在这个场景下的准确率差不多，都没有特别明显的优势。
第四类，K 线图和技术指标截图。这个测试最有意思。给了一张包含 MA 均线和成交量的 K 线图，问 Gemini"描述这张图的技术形态"。它不仅识别出了均线交叉形态，还判断出"短期均线向上穿越长期均线，形成金叉信号，成交量同步放大"。这已经不是 OCR 了，而是带有金融知识的图像分析。
跟传统 OCR 和 GPT-4o 的横向对比
传统 OCR 工具比如百度文字识别、ABBYY，在纯文字识别上精度很高，但遇到表格就垮了。它们的逻辑是一行一行识别文字，不理解表格的行列结构。一张合并单元格的表格，OCR 出来的东西根本没法直接用。
GPT-4o 的图片理解能力不弱，但它在中文场景下的表现不如 Gemini。测试了同一张包含中文财务数据的表格，GPT-4o 漏掉了两行，还有三个数字识别错误。Gemini 全部正确。
这个差距的根源在于训练数据。Google 搜索索引了海量中文网页和文档，Gemini 的多模态训练数据里中文图文配对的数量级远超 OpenAI。在中文表格识别这个细分场景下，数据量直接决定了精度上限。
还有一个容易被忽略的差异：GPT-4o 处理图片时经常"过度解读"，你让它识别表格它会顺便给你分析一通，反而干扰了原始数据的准确性。Gemini 更老实，你让它输出表格它就输出表格，不加戏。在金融数据处理场景下，这种克制反而是优点。
进阶用法：从识别到结构化分析
单纯的识别只是第一步。Gemini 的真正价值在于可以把识别结果直接转成可用的数据结构。
一个实用的指令模板："识别图片中的财务数据表格，输出为 CSV 格式，第一行为列名，数值型字段保留两位小数，缺失数据标记为 N/A。"这样出来的结果可以直接导入 Excel 或者 Python 做后续分析。
更进一步，你可以把多张报表截图一起传给 Gemini，指令是"对比这几张表中的数据，找出异常波动的指标，并给出可能的原因推测。"这种跨图分析能力是传统 OCR 完全做不到的。
做行研的人应该已经发现了——这个工作流的效率提升是数量级的。过去整理一家公司的三年财报数据要半天，现在可能半小时就搞定了。
局限性要说清楚
Gemini 的图片理解不是万能的。
首先，图片质量太差它也扛不住。模糊的手机拍照、光线不均匀的扫描件、有水印遮挡的页面，识别准确率都会明显下降。用之前尽量保证图片清晰。
其次，复杂版式的处理还有瑕疵。那种多栏排版夹杂图表的研报页面，Gemini 偶尔会搞混栏目的顺序。建议对复杂页面分区域截图，一块一块传给它处理。
最后，敏感数据要注意。传给 Gemini 的图片会经过 Google 的服务器，如果你处理的是未公开的财务数据或者内幕信息，用云端服务就不合适了。这种场景下应该用本地部署的模型，或者等 Google 的 Gemini on-device 版本成熟。
趋势判断：多模态理解正在重塑数据获取方式
过去获取数据的路径是：人找到信息源 → 手动复制粘贴 → 整理成表格 → 分析。这个链条里，前面三步都是体力活。
AI 多模态能力成熟之后，路径变成了：人拍照截图 → AI 自动识别并结构化 → 分析。前面三步压缩成一步半，效率提升不是线性的，是质变的。
这个趋势对金融行业的影响尤其深远。金融的核心竞争力本来就是信息处理速度，谁能更快更准地从海量非结构化数据里提取有效信息，谁就有优势。Gemini 这类工具正在把这种能力从少数机构扩散到每一个有手机的人。
技术在拉平信息差。这个趋势不可逆。
