AIエージェント能力アトラス › 仕事ごとの一覧 › 基盤能力（横断） › マルチモーダル理解（画像/動画/音声/空間）

文書・画像理解（OCR/図表/帳票）

Document and image understanding (OCR/charts/forms)

0 できない ／ 1 デモ止まり ／ 2 補助 ／ 3 実務品質（要確認） ／ 4 専門家並み ／ 5 専門家超え。「予」は予測。

専門家と比べて

OCR・帳票理解・図表読み取りは実務品質を超え、定型文書処理では専門家並みかそれ以上の速度・正確性

できること

複雑なレイアウトの請求書・契約書・グラフの数値抽出、手書き文字認識を含む高精度な文書理解が可能。DocVQAで94.75%（Qianfan-VL-70B）

まだできないこと

非定型・低品質スキャンや、文化依存的な文脈（古文書、専門記号）を要する解釈は専門家に劣る場面が残る

なぜそうなのか

文書理解は教師データが豊富で、視覚言語モデルの中でも最も成熟した応用領域の一つ

これからの予測の根拠

既に高水準のため2028年までの伸びは主に非定型文書・低リソース言語対応に限られる

いま使える主な道具

Claude vision、Gemini 3.1、Qianfan-VL、Qwen2.5-VL

根拠

• Qianfan-VL: Domain-Enhanced Universal Vision-Language Models 2025-09
  DocVQA 94.75%、ChartQA 89.60%、OCRBench 873を達成
• Invoice OCR Benchmark: Extraction Accuracy of LLMs vs OCRs 2026
  請求書処理でのLLMベース抽出精度を評価

同じ分野のほかの仕事（マルチモーダル理解（画像/動画/音声/空間））

• 空間・3D推論
• 動画の時系列理解

AIエージェント能力アトラス 2026（2026-09-06 時点・v1.0）の1マスです。レベルは公開された実験・ベンチマーク・報告から付けた目安で、2027年以降は予測です。全マスに根拠のリンクがあります。作者は個人で、AI（Claude）と一緒に調べて作っています。