Gemini 3 Pro: новый уровень визуального интеллекта
Google представила впечатляющие визуальные возможности Gemini 3 Pro, демонстрируя технологию "derendering" – преобразование изображения в структурированный код (HTML, LaTeX, Markdown). Модель легко справилась с распознаванием и структурированием данных из старинного рукописного журнала купца XVIII века, превратив его в читаемую таблицу.
Gemini 3 Pro также успешно обнаружила и визуально обозначила ошибки в решении школьной задачи, написанной от руки. Это свидетельствует о “скачке от распознавания к рассуждению” внутри изображений и видео.
Тестирование на CharXiv Reasoning показало, что Gemini 3 Pro превосходит средний человеческий уровень (81,4% против 80,5%) в задачах, требующих анализа графиков и таблиц. Модель продемонстрировала способность извлекать информацию и делать выводы из сложного отчета Бюро переписи США.
Разработки Google включают в себя и пространственное понимание, позволяющее модели определять объекты на изображении и их функции – что актуально для робототехники и AR/XR. Также Gemini 3 Pro прекрасно распознает элементы интерфейсов операционных систем, что открывает возможности для создания интеллектуальных агентов.
Благодаря оптимизации под высокий фреймрейт, модель эффективно анализирует видео, в том числе сложные сцены, такие как удар в гольфе, и понимает контекст происходящего. В качестве примера приведено взаимодействие Gemini 3 Pro с моделью Nano Banana Pro, где модель получает инструкции и вносит коррективы в черновики изображений.
