大模型 API 能否直接輸入 PDF？3 種方案解決 PDF 處理需求

作者注：詳解 GPT-4o、Claude、Gemini、DeepSeek 等大模型 API 對 PDF 輸入的支持情況，以及文字化提取、圖片理解、客戶端 3 種處理方案

"大模型 API 能不能直接傳 PDF 進去？"這是開發者最常問的問題之一。答案比你想象的複雜——部分模型已原生支持 PDF 輸入（Claude、Gemini、GPT-4o），但 DeepSeek 等模型尚不支持，且原生支持的 Token 成本遠高於文字化提取方案。

本文將從實際開發角度出發，梳理各主流大模型 API 的 PDF 支持現狀，並給出 3 種 PDF 處理方案的完整對比和代碼示例，幫你選出最適合自己場景的方式。

核心價值: 讀完本文，你將清楚每個大模型對 PDF 的支持程度，並掌握從最省錢到最省事的 3 種處理方案。

<！– SVG_COVER: 封面圖 – 展示PDF輸入的3種方案：原生支持、文字化提取、圖片理解 –>

大模型 API PDF 輸入支持核心要點

大模型 API 對 PDF 的原生支持現狀

好消息是，2025 年以來主流大模型已陸續支持 API 直傳 PDF。它們的實現方式基本一致——提取 PDF 中的文本，同時將每一頁渲染爲圖片，讓模型同時理解文字內容和視覺元素（圖表、版面佈局等）。

壞消息是，這種"文本 + 圖片雙通道"處理方式的 Token 消耗遠高於純文本輸入。一份 50 頁的報告如果直接傳 PDF，可能消耗 10 萬+ tokens，而先提取文本再傳入可能只需要 3 萬 tokens。

各大模型 API PDF 支持詳細對比

🎯 選擇建議: 如果你需要大批量處理 PDF，Gemini 的成本最低（每頁約 258 tokens，原生文本提取免費）。如果需要最長文檔支持，也是 Gemini 最強（1000 頁）。Claude 在理解準確度上表現出色，適合高精度場景。這些模型都可以通過 API易 apiyi.com 平臺統一接入調用。

<！– SVG_DIAGRAM: 3種PDF處理方案的流程對比圖 –>

大模型 API PDF 處理方案一：文字化提取

這是最通用、成本最低的方案。先用 Python 庫將 PDF 提取爲 Markdown 或純文本，再將文本作爲 prompt 傳給任意大模型 API。

PDF 文字化提取工具對比

PDF 文字化提取代碼示例

import pymupdf4llm
import openai

# 步驟1: PDF 轉 Markdown
md_text = pymupdf4llm.to_markdown（"report.pdf"）

# 步驟2: 傳給大模型 API
client = openai.OpenAI（
    api_key="YOUR_API_KEY"，
    base_url="https://api.apiyi.com/v1"
）

response = client.chat.completions.create（
    model="gpt-4o"，
    messages=[{"role": "user"， "content": f"請總結這份報告的核心要點：\n\n{md_text}"}]
）
print（response.choices[0].message.content）

import fitz  # PyMuPDF
import base64
import openai

def pdf_pages_to_images（pdf_path， dpi=200）:
    """將 PDF 每頁轉爲 Base64 圖片"""
    doc = fitz.open（pdf_path）
    images = []
    for page in doc:
        pix = page.get_pixmap（dpi=dpi）
        img_bytes = pix.tobytes（"png"）
        b64 = base64.b64encode（img_bytes）.decode（）
        images.append（b64）
    return images

# PDF 轉圖片
images = pdf_pages_to_images（"report.pdf"）

# 構建多圖消息
content = [{"type": "text"， "text": "請分析這份 PDF 文檔中的圖表和數據："}]
for img_b64 in images[:10]:  # 注意控制頁數，避免 Token 超量
    content.append（{
        "type": "image_url"，
        "image_url": {"url": f"data:image/png；base64，{img_b64}"}
    }）

client = openai.OpenAI（
    api_key="YOUR_API_KEY"，
    base_url="https://api.apiyi.com/v1"
）

response = client.chat.completions.create（
    model="gpt-4o"，
    messages=[{"role": "user"， "content": content}]
）
print（response.choices[0].message.content）

建議: 文字化提取方案兼容所有大模型（包括 DeepSeek、Llama 等不支持 PDF 的模型），通過 API易 apiyi.com 可以用同一個 API Key 調用任意模型進行測試。

大模型 API PDF 處理方案二：原生 PDF 輸入

如果你使用的是 Claude、Gemini 或 GPT-4o，可以直接將 PDF 通過 API 傳入，無需任何預處理。

Claude API 原生 PDF 輸入示例

import anthropic
import base64

client = anthropic.Anthropic（
    api_key="YOUR_API_KEY"，
    base_url="https://api.apiyi.com"  # Claude 用根域名
）

with open（"report.pdf"， "rb"） as f:
    pdf_data = base64.standard_b64encode（f.read（））.decode（）

message = client.messages.create（
    model="claude-sonnet-4-20250514"，
    max_tokens=4096，
    messages=[{
        "role": "user"，
        "content": [
            {"type": "document"， "source": {"type": "base64"， "media_type": "application/pdf"， "data": pdf_data}}，
            {"type": "text"， "text": "請總結這份文檔的核心要點"}
        ]
    }]
）
print（message.content[0].text）

Gemini API 原生 PDF 輸入示例

from google import genai

client = genai.Client（
    api_key="YOUR_API_KEY"，
    http_options={"api_version": "v1beta"， "base_url": "https://api.apiyi.com"}
）

with open（"report.pdf"， "rb"） as f:
    pdf_bytes = f.read（）

response = client.models.generate_content（
    model="gemini-2.5-flash"，
    contents=[
        genai.types.Part.from_bytes（data=pdf_bytes， mime_type="application/pdf"），
        "請總結這份文檔的核心要點"
    ]
）
print（response.text）

🎯 成本提醒: 原生 PDF 輸入雖然最方便，但 Token 成本顯著高於純文本方案。以一份 50 頁 PDF 爲例：Gemini 約消耗 12，900 tokens（最便宜），Claude 約 75，000-150，000 tokens，GPT-4o 約 40，000+ tokens。大批量場景務必評估成本，建議通過 API易 apiyi.com 的用量統計功能監控消耗。

大模型 API PDF 處理方案三：客戶端處理

對於日常對話場景（非代碼開發），使用 AI 客戶端是最省事的方式。以 Cherry Studio 爲例，它支持直接拖入 PDF 附件，自動完成向量化和語義檢索，只將相關片段發送給大模型。

客戶端方案優勢

• 零代碼: 拖入 PDF 即可開始對話
• 節省 Token: 通過 RAG 檢索只發送相關片段，而非全文
• 多模型切換: 支持配置 API易等多個 API 平臺
• 本地知識庫: 可將多份 PDF 建成知識庫，反覆查詢

使用客戶端處理 PDF 的注意事項

• 控制文件大小: PDF 頁數過多會導致向量化時間過長
• 注意 Token 費用: 雖然 RAG 會壓縮內容，但長文檔仍可能產生較高費用
• 選擇合適模型: 簡單問答可用便宜模型（如 GPT-4o-mini），複雜分析用旗艦模型

建議: 在 Cherry Studio 等客戶端中配置 API易 apiyi.com 作爲 API 提供商，即可通過一個 Key 訪問 Claude、Gemini、GPT 等所有模型。

<！– SVG_COMPARISON: 3種方案的成本/效果/適用場景對比 –>

常見問題

總結

大模型 API PDF 輸入支持的核心要點：

1. 部分模型已原生支持: Claude（600 頁）、Gemini（1000 頁）、GPT-4o（100 頁）可直接傳 PDF，DeepSeek 等暫不支持
2. 3 種方案按需選擇: 文字化提取成本最低且兼容所有模型，原生輸入最方便但貴，客戶端處理適合日常對話
3. 成本差異顯著: 同一份 PDF，Gemini 原生輸入最便宜（~258 tokens/頁），純文本提取方案可再降 50% 以上成本

根據你的場景選對方案，就能高效處理 PDF 而不被高額 Token 費用嚇到。

推薦通過 API易 apiyi.com 統一接入各大模型，平臺提供免費額度，支持 Claude、Gemini、GPT、DeepSeek 等全部主流模型的 API 調用。

📚 參考資料

1. OpenAI PDF 輸入指南: API 直傳 PDF 的官方文檔

   • 鏈接: platform.openai.com/docs/guides/pdf-files
   • 說明: GPT-4o PDF 輸入的詳細規格和限制

2. Claude PDF 支持文檔: Anthropic 官方 PDF 處理指南

   • 鏈接: docs.anthropic.com/en/docs/build-with-claude/pdf-support
   • 說明: Claude PDF 輸入的 3 種方式和最佳實踐

3. Gemini 文檔處理: Google 官方文檔理解能力說明

   • 鏈接: ai.google.dev/gemini-api/docs/document-processing
   • 說明: Gemini PDF 處理的限制和定價

4. PyMuPDF4LLM 文檔: PDF 文字化提取工具

   • 鏈接: pymupdf.readthedocs.io/en/latest/pymupdf4llm
   • 說明: 速度最快的 PDF 轉 Markdown 工具

5. API易平臺文檔: 統一接入各大模型 API

   • 鏈接: docs.apiyi.com
   • 說明: API Key 獲取、模型列表和調用示例

作者: APIYI 技術團隊
技術交流: 歡迎在評論區討論，更多資料可訪問 API易 docs.apiyi.com 文檔中心