Claude 3.5 SonnetがPDF内の画像も解析可能に – Anthropicが機能強化を発表

2024年11月3日

当記事のリンクにはアフィリエイト広告が含まれています。

Anthropicは同社のAIモデル「Claude 3.5 Sonnet」に、PDF文書内の画像、グラフ、表などの視覚要素を解析できる新機能を追加したことを発表した。この機能は現在パブリックベータとして提供されている。

新機能の概要と処理の仕組み

Claude can now view images within a PDF, in addition to text.

This helps Claude 3.5 Sonnet more accurately understand complex documents, such as those laden with charts or graphics.

Enable the feature preview: https://t.co/bJ8BjBT6zG. pic.twitter.com/VNSf547ptT
— Anthropic (@AnthropicAI) November 1, 2024

PDFの処理は3段階で行われる。まず文書からテキストを抽出し、次に各ページを画像に変換、最後にテキストと視覚要素の両方を統合的に分析する。これにより、財務報告書や法的文書、研究論文など、画像や図表を含む複雑な文書の総合的な理解が可能となった。

AnthropicのAlex Albert氏は、「これまでPDFを添付した場合、テキスト抽出サービスを使用してテキストのみを取得していたが、今回からClaudeがPDFを視覚的に認識できるようになった」と説明している。

Up until today, when you attached a PDF in claude dot ai, we would use a text extraction service to grab the text and send that to Claude in the prompt.

Now, Claude can actually see the PDF visually alongside the text.
— Alex Albert (@alexalbert__) November 1, 2024

利用に際しての詳細

本機能には以下の制限が設けられている：

ファイルサイズ：32MB未満
ページ数：100ページ以下
暗号化・パスワード保護されたPDFは非対応
1ページあたり1,500〜3,000トークンを消費

機能の利用には「Feature Previews」から「Visual PDFs」を有効化する必要がある。API経由での利用も可能で、ヘッダーに「anthropic-beta: pdfs-2024-09-25」を指定することで利用できる。

また、Anthropicは以下のガイドラインを推奨している：

明確で読みやすいテキストの使用
ページの適切なアライメント
PDFビューワーに表示されるページ番号の使用
APIリクエスト時はPDFをテキストの前に配置
サイズ制限を超える場合は文書を分割

この機能強化により、Claudeの文書理解能力は大きく向上した。特に研究論文や技術文書など、視覚的な要素が重要な役割を果たす文書での活用が期待できる。また、最近発表されたComputer Use機能やGitHub Copilotとの統合など、Anthropicは急速に機能拡張を進めており、AIモデルの実用性を高める取り組みを加速させている。

コード実行能力やデータ可視化機能と組み合わせることで、ビジネスや研究開発における文書分析・処理の効率化に大きく貢献する可能性がある。今後のAmazon BedrockやGoogle Vertex AIへの対応拡大により、さらなる普及が期待される。

Source