Amazon Bedrock Claude 3 多模态使用指南
内容提要
Amazon Bedrock最新发布的Claude 3模型支持多模态能力，处理文本、图片和视频输入。文章介绍了Claude 3的使用指南，包括图片处理、多模态输入方式和输出控制。还给出了图片理解和文字识别的应用示例。总结了Claude 3多模态模型的新特性和使用技巧，并提供了最佳实践和应用示例。
延伸解读
图片预处理：格式与分辨率的关键约束
Claude 3 仅接受 base64 编码的图片，且支持 JPEG、PNG、GIF、WebP 四种格式。为减少请求流量，推荐使用 WebP，其相同质量下比 JPEG 节省 25%-34% 存储。分辨率方面，长边超过 1568 像素会被后台压缩，增加耗时，因此建议预先缩放至 1568 以下；短边低于 200 像素则可能无法正确理解内容。若图片含文本，需确保肉眼可读。这些约束直接影响 API 调用的效率与效果，开发者应在预处理阶段完成格式转换与尺寸调整。
多图与多轮对话：编号与顺序的实用技巧
Claude 3 单次最多处理 20 张图片，多图输入时建议为每张图添加“Image 1”“Image 2”等编号，便于后续提问和模型引用。单张图场景下，官方推荐将图像置于文本之前，即“图像-然后-文本”结构，效果最佳。多轮对话中，可以在后续轮次继续添加新图片，模型能结合历史图片进行对比分析。这些技巧有助于在商品对比、视频问答等场景中构建清晰的交互逻辑，避免因顺序混乱导致理解偏差。
输出控制：英文提示与预填充的配合
由于训练语料分布，Claude 3 在英文提示下表现最佳，建议尽量用英文撰写提示词，若需特定语言输出可在提示中明确指定。输出格式可通过提示词控制，支持 XML、JSON、Markdown 等，并提供示例能提升格式稳定性。此外，模型支持输出预填充，即指定 Assistant 回复的起始字符，例如以“{”引导 JSON 输出，避免无关内容，方便后处理直接解析。这些方法能显著提高多模态任务中结果的可控性和可用性。
文字识别：优势、局限与混合方案
Claude 3 在图片文字提取上具备纠错能力，能处理复杂文档结构（如公式、表格），并直接抽取关键信息，减少后处理逻辑。但在中文场景下，其字符准确率不高，建议与专用 OCR 模型结合：由 OCR 负责高精度字符识别，Claude 3 发挥文档格式理解与信息抽取优势。这种混合方案能兼顾准确性与结构化输出，尤其适合发票、表单等复杂文档的自动化处理。
Q&A
Claude 3 模型支持哪些输入类型？
Claude 3 模型支持文本、图片和视频输入。
如何处理上传的图片以适应 Claude 3 的要求？
上传的图片需为 base64 编码，推荐使用 WebP 格式，最大分辨率为长边 1568 像素，短边应保证在 200 像素以上。
Claude 3 如何进行多轮对话？
Claude 3 支持多轮对话，可以在后续对话中继续增加新的图片。
使用 Claude 3 进行图片理解时，有哪些最佳实践？
在进行图片理解时，建议详细描述希望获取的细节，以便获得更贴合需求的答案。
Claude 3 在文字识别方面有哪些优势？
Claude 3 具备纠错能力、处理复杂文档结构的能力和信息理解能力，适合进行图片文字内容提取。
如何优化 Claude 3 的输出控制？
可以通过指定输出语言、格式和预填充内容来优化输出控制，以获得更好的效果。
