Googleが開発したGemini 3 Proは、視覚AIの新たな境界を切り拓くモデルとして注目されている。特にドキュメント理解分野で顕著な進化を遂げており、現実世界の複雑な文書に対する処理能力が飛躍的に向上している。実際の文書は、画像とテキストが混在し、手書き文字が読みづらく、表がネストされ、数式や非線形レイアウトが混在するなど、構造が不規則で解析が困難なことが多く、従来のAIでは限界があった。 Gemini 3 Proは、こうした課題に対して、一連の処理フロー全体で優れた性能を発揮する。高精度な光学文字認識（OCR）に加え、視覚的推論能力を活かして、文書内のテキスト、表、数式、図表などを正確に検出・認識する。特に注目すべきは「デレンダリング」機能——視覚的なドキュメントを元の構造化されたコード（HTML、LaTeX、Markdownなど）に再構成する能力だ。たとえば、18世紀の商人日記の画像を正確に表形式に変換したり、数学的な注釈が施された画像を正確なLaTeXコードに変換するなど、多様なモダリティに対応する柔軟性を備えている。 この能力は、学術文書、法的文書、工学図面、歴史的資料など、構造の複雑な文書のデジタル化や再利用に革命をもたらす可能性を秘めている。Gemini 3 Proは、単なる「読む」にとどまらず、「理解し、再構成する」AIの新たな段階を示しており、今後の情報処理の基盤技術としての位置づけが期待されている。