書類処理コストを3分の1に｜安価モデルと高性能の役割分担

AWSが公開したのは、スキャンした卒業アルバムの書類をデジタル化する2段構成のパイプラインだ。336ページを処理して3,122件の人名と顔の対応を生成し、そのうち93%が確信度0.95以上に達した。1ページあたりの総コストは約0.0027ドル（推定）で、これは全工程を1つの高性能モデルに任せる単一モデル方式の約3分の1にあたる。

Amazon Nova 2 Lite handles native multimodal extraction in a single call: detecting photos, extracting visible names with coordinates, and returning page-level metadata. Claude Sonnet 4.6 then performs spatial reasoning to match names to faces based on page layout.

引用の前半は、安価なNova 2 Liteが1回の呼び出しで写真の検出・人名と座標の抽出・ページ単位の付帯情報の取得をまとめて行うという意味だ。後半は、その結果を受けて高性能なClaude Sonnet 4.6が、ページの配置を踏まえて「どの名前がどの顔に対応するか」という空間的な推論を担う、という役割分担を指す。