同一张发票，电子版能选中文字，扫描版却只有像素；传统工具往往要先判断类型，再分别调用文本解析或 OCR——把图片里的字转成文本。Shittu Olumide 在 KDnuggets 介绍的方案更直接：把每页 PDF 渲染成高清图片，交给本地多模态模型 Gemma 4，让模型同时辨认文字、表格布局和字段关系，再输出结构化 JSON。
这条路线的价值在于统一：扫描件和电子 PDF 都变成页面图像，不再维护两套容易割裂的流程。它还采用 zero-shot——无需为每种发票模板预先提供训练样例。文中给出一个具体调节手段：每张图可使用 70 至 1120 个视觉 token，也就是模型读取图像时的处理额度；密集明细可用 1120，快速分类或提取单一字段可用 280，以速度换精度。上述能力与效果来自作者自述，材料未提供独立测试结果。