Claude Opus 4.7 กับงานอ่านภาพเอกสาร: สกรีนช็อต PDF และรายงานได้อะไรเพิ่ม

คำถามว่า Claude Opus 4.7 “อ่าน PDF เก่งขึ้นไหม” อาจต้องถามใหม่ให้เฉพาะขึ้นว่า เอกสารนั้นเป็นภาพที่ต้องมองรายละเอียดหรือเป็นข้อความสะอาด ๆ เพราะหลักฐานทางการที่ตรวจสอบได้ชี้ว่า การอัปเกรดรอบนี้อยู่ที่ความสามารถด้านการมองเห็นของโมเดล ไม่ใช่การประกาศเอนจิน PDF ใหม่โดยเฉพาะ

พูดให้สั้นที่สุด: Opus 4.7 เหมาะขึ้นกับงานที่ต้องดูภาพละเอียด เช่น สกรีนช็อต หน้าเอกสารที่สแกน รายงานที่มีกราฟ ตาราง หรือ UI ที่มีตัวหนังสือเล็ก ๆ แต่ยังไม่ควรตีความว่า “ทุกงาน PDF และทุกงานดึงตารางแม่นขึ้นแบบมีตัวเลขยืนยันแล้ว” เพราะข้อมูลทางการที่ให้มาไม่ได้มี benchmark เฉพาะสำหรับ PDF understanding, report understanding หรือ table extraction แยกออกมา

ข้อสรุปที่ตรวจสอบได้: เก่งขึ้นด้าน vision ไม่ใช่ PDF benchmark โดยตรง

เอกสารของ Anthropic ระบุว่า Claude Opus 4.7 เป็น Claude รุ่นแรกที่รองรับภาพความละเอียดสูง โดยเพิ่มขีดจำกัดภาพจาก 1,568px／1.15MP เป็น 2,576px／3.75MP ขณะเดียวกัน บทความเปิดตัวของ Anthropic ระบุว่า Opus 4.7 มีความสามารถด้าน vision ที่ดีขึ้นอย่างชัดเจน และมีการปรับปรุงด้าน multimodal understanding หรือการเข้าใจข้อมูลหลายรูปแบบ เช่น ภาพร่วมกับข้อความ

ดังนั้น การอัปเกรดนี้ควรมองเป็น “ชั้นรับภาพดีขึ้น” มากกว่า “ระบบอ่าน PDF ใหม่ทั้งหมด” จุดที่น่าจะเห็นผลคือการอ่านรายละเอียดในภาพ การเข้าใจเลย์เอาต์ที่มีทั้งภาพและข้อความ และการชี้ตำแหน่งขององค์ประกอบบนหน้าเอกสารหรือหน้าจอ

1. ภาพละเอียดขึ้น: ตัวเล็ก กราฟแน่น และป้ายกำกับมีโอกาสอ่านได้ดีขึ้น

การเพิ่มความละเอียดสูงสุดจาก 1,568px／1.15MP เป็น 2,576px／3.75MP เป็นสเปกด้านภาพที่ชัดที่สุดในเอกสารทางการของ Opus 4.7

สำหรับงานเอกสาร นี่ไม่ใช่ตัวเลขสวย ๆ บนกระดาษเท่านั้น หลายครั้งที่โมเดลตอบผิดไม่ใช่เพราะไม่เข้าใจคำถาม แต่เพราะภาพต้นทางมีตัวอักษรเล็กเกินไป ตารางแน่นเกินไป เส้นกราฟหรือ legend อ่านยาก หรือข้อความเตือนใน UI อยู่ในมุมเล็ก ๆ การรับภาพที่ละเอียดขึ้นไม่ได้รับประกันว่าคำตอบจะถูกทุกครั้ง แต่ทำให้โมเดลมีข้อมูลภาพดิบมากขึ้น โดยเฉพาะในงานที่ต้องอ่านตัวเล็ก ดูป้ายกำกับกราฟ ระบุตำแหน่งช่องข้อมูล หรือเข้าใจเลย์เอาต์ซับซ้อน

2. สกรีนช็อตและงานเอกสารถูกระบุเป็นกรณีใช้งานที่เกี่ยวข้องโดยตรง

เอกสารของ Anthropic เชื่อมโยงการรองรับภาพความละเอียดสูงกับ computer use, screenshot, artifact และ document understanding workflows โดยตรง แปลเป็นภาษางานจริงคือ Opus 4.7 ไม่ได้ดีขึ้นเฉพาะกับ “รูปภาพทั่วไป” แต่มีนัยสำคัญกับภาพหน้าจอ หน้าเอกสาร อินเทอร์เฟซผลิตภัณฑ์ และรายงานที่มีองค์ประกอบภาพจำนวนมาก

สถานการณ์ใช้งาน	สิ่งที่อาจดีขึ้น	ข้อควรระวัง
UI screenshot	เห็นปุ่ม ช่องกรอกข้อมูล ข้อความผิดพลาด และโซนต่าง ๆ บนหน้าจอได้ดีขึ้น เพราะเอกสารทางการโยงภาพความละเอียดสูงกับ screenshot workflows	หากนำไปสั่งงานอัตโนมัติ ควรตรวจสอบตำแหน่งและการตีความองค์ประกอบอีกชั้น
PDF แบบสแกนหรือภาพหน้าเอกสาร	มีโอกาสอ่านตัวเล็ก เลย์เอาต์แน่น ป้ายกำกับกราฟ และความสัมพันธ์ระหว่างบล็อกข้อมูลได้ดีขึ้น โดย Anthropic ระบุถึง document understanding workflows	นี่เป็นการปรับปรุงด้านภาพ ไม่ใช่คะแนน PDF benchmark เฉพาะทาง
รายงานที่มีกราฟและตาราง	เหมาะกับเนื้อหาผสมภาพและข้อความมากขึ้น โดยบทความเปิดตัวกล่าวถึงการปรับปรุง multimodal understanding	การคัดลอกตัวเลขและดึงตารางยังควรตรวจทานด้วยคนหรือระบบตรวจสอบ
แผนภาพเทคนิค	ช่วยในการวิเคราะห์องค์ประกอบ ป้ายชื่อ และความสัมพันธ์ของพื้นที่ในภาพได้ดีขึ้น เพราะ Anthropic ระบุว่า vision ดีขึ้น	ภาพที่ซับซ้อนมากอาจต้องถามทีละส่วน แทนที่จะถามรวมทั้งหน้า

3. ไม่ใช่แค่มองชัดขึ้น แต่ชี้ วัด และนับได้ดีขึ้นด้วย

เอกสารของ Anthropic ระบุว่า Opus 4.7 ปรับปรุงความสามารถด้าน visual perception ระดับพื้นฐาน เช่น pointing, measuring และ counting ฟังดูเหมือนเรื่องเล็ก แต่สำหรับงานเอกสารและสกรีนช็อต นี่คือแกนสำคัญมาก

• Pointing: ชี้ว่าปุ่ม ช่องข้อมูล ป้ายชื่อ หรือบล็อกข้อความอยู่ตรงไหน
• Measuring: ประเมินระยะห่าง ขนาด หรือความสัมพันธ์เชิงตำแหน่งขององค์ประกอบในภาพ
• Counting: นับรายการ แถว เครื่องหมาย จุดข้อมูล หรือบล็อกที่ปรากฏในภาพ

งานรายงานจำนวนมากไม่ได้ต้องการแค่สรุปใจความ แต่ถามรายละเอียดเชิงภาพ เช่น “ตัวเลขมุมขวาบนของกราฟที่สามคืออะไร”, “แถวไหนมีเครื่องหมายผิดปกติ”, หรือ “ผังงานนี้มีจุดตัดสินใจกี่จุด” คำถามแบบนี้พึ่งพาการจับตำแหน่งและการรับรู้รายละเอียดภาพมากพอ ๆ กับการให้เหตุผลทางภาษา

4. พิกัด 1:1 กับพิกเซลจริง ทำให้งาน UI และ automation ตรงไปตรงมาขึ้น

Anthropic ระบุว่า image localization ของ Claude Opus 4.7 ดีขึ้น รวมถึง bounding-box localization และ detection ในภาพธรรมชาติ สำหรับงานเอกสารและหน้าจอ หมายถึงโมเดลเหมาะขึ้นกับคำถามประเภท “บล็อกนี้อยู่ตรงไหน”, “กรอบตารางอยู่ช่วงใด”, หรือ “ปุ่มนี้อยู่บริเวณใดของภาพ”

อีกจุดที่มีผลจริงกับ workflow คือเอกสารระบุว่าพิกัดของ Opus 4.7 สอดคล้องกับพิกเซลจริงแบบ 1:1 ไม่ต้องแปลงสเกลเพิ่มเติม ถ้าคุณต้องการให้โมเดลระบุตำแหน่งปุ่ม กรอบพื้นที่ตาราง จุดของข้อความผิดพลาด หรือส่งพิกัดต่อให้ระบบ automation การลดขั้นตอนแปลงพิกัดทำให้กระบวนการตรงกว่าเดิม

5. PDF และรายงานต้องแยกตามชนิดของข้อมูล

PDF แบบสแกน หน้าเอกสารเป็นภาพ หรือรายงานที่ export เป็นรูป

ถ้า PDF มีลักษณะเป็นหน้าสแกน เป็นภาพหน้าเอกสาร หรือคุณแปลงหน้าเอกสารเป็นสกรีนช็อตแล้วส่งเข้าโมเดล การรองรับภาพความละเอียดสูงและการเชื่อมโยงกับ document understanding workflows ของ Opus 4.7 น่าจะมีประโยชน์ที่สุด

งานที่ควรทดลอง ได้แก่ อ่านตัวเล็ก หา field เฉพาะ เข้าใจโครงหน้า แปลความกราฟ และระบุตำแหน่งของบล็อกข้อมูลในหน้าเอกสาร

รายงานที่มีกราฟ ตาราง และแผนภาพเทคนิค

ถ้ารายงานมีกราฟ ตารางในรูปภาพ แผนภาพเทคนิค หรือเลย์เอาต์ซับซ้อน การเพิ่มความละเอียดภาพ การปรับปรุง visual perception และ image localization จะมีคุณค่ามากขึ้น บทความเปิดตัวของ Anthropic ยังกล่าวถึงการปรับปรุงด้าน vision และ multimodal understanding ด้วย

แต่ถ้าเป้าหมายหลักคือการดึงตารางซับซ้อนออกมาเป็นข้อมูลเชิงโครงสร้างอย่างเสถียร เช่น CSV หรือฐานข้อมูล ควรทดสอบกับเอกสารจริงของคุณเองก่อน ข้อมูลทางการที่ใช้ในบทความนี้ยังไม่ได้ให้ benchmark เฉพาะด้าน table extraction จึงไม่ควรสรุปว่าการอัปเกรด vision เท่ากับการดึงตารางแม่นยำทุกกรณี

PDF ที่เป็นข้อความสะอาด

ถ้าเอกสารเป็นข้อความสะอาด เลย์เอาต์ไม่ซับซ้อน และโจทย์คือสรุปหรือถามตอบจากข้อความ การอัปเกรดภาพความละเอียดสูงอาจไม่ใช่ปัจจัยหลัก จุดเด่นที่ตรวจสอบได้ของ Opus 4.7 คือภาพความละเอียดสูง การจับตำแหน่งในภาพ และความเข้าใจหลายรูปแบบ ไม่ใช่การประกาศระบบอ่าน PDF ข้อความแบบใหม่

6. ต้นทุน: ภาพละเอียดสูงไม่ใช่ของฟรี

Anthropic เตือนว่าภาพความละเอียดสูงใช้โทเคนมากขึ้น และถ้างานไม่ต้องการรายละเอียดภาพระดับนั้น ควร downsample หรือย่อภาพก่อน เพื่อควบคุมต้นทุน

แนวทางใช้งานที่ปลอดภัยกว่าในทางปฏิบัติคือ:

• ถ้าต้องอ่านตัวเล็ก ป้ายกราฟ หรือระบุตำแหน่งอย่างแม่นยำ ให้คงภาพความละเอียดสูงไว้
• ถ้าต้องการเพียงสรุปภาพรวม และหน้าเอกสารไม่แน่นมาก ให้ลดความละเอียดก่อน เพื่อเลี่ยงโทเคนที่ไม่จำเป็น
• ถ้าไม่แน่ใจ ให้ทดลองด้วยภาพความละเอียดกลางก่อน หากพบว่าหลุดรายละเอียด ค่อยเพิ่มความละเอียดแล้วเทียบทั้งคุณภาพคำตอบและต้นทุน

7. วิธีทดสอบว่าเหมาะกับ workflow เอกสารของคุณหรือไม่

อย่าทดสอบด้วยคำถามกว้าง ๆ ว่า “อ่าน PDF ได้ไหม” เพราะคำตอบจะไม่ช่วยตัดสินใจมากนัก ควรแยกงานจริงออกเป็นหลายประเภท เช่น สรุปเนื้อหา ดึงรายละเอียด ตรวจตัวเลข และระบุตำแหน่งบนหน้า

ขั้นตอนทดสอบที่แนะนำ:

1. เตรียมตัวอย่างที่แทนงานจริง เช่น UI screenshot, PDF แบบสแกน, รายงานที่มีกราฟ, ตารางแน่น ๆ และแผนภาพเทคนิค
2. เปรียบเทียบไฟล์นำเข้าหลายแบบ เช่น ภาพต้นฉบับ ภาพความละเอียดสูง ภาพบีบอัด และภาพที่ downsample แล้ว
3. แยกคำถามเป็น 3 กลุ่ม: สรุปภาพรวม, ดึงรายละเอียด, และถามตำแหน่งหรือพิกัด
4. ขอให้โมเดลบอกหลักฐานประกอบ เช่น บริเวณหน้าเอกสาร แถว/คอลัมน์ในตาราง ตำแหน่งกราฟ หรือพิกัด
5. ตรวจตัวเลขและตารางด้วยคน โดยเฉพาะตารางข้ามหน้า หัวตารางหลายชั้น เซลล์ที่ merge และค่าที่อ่านจากกราฟ
6. บันทึกต้นทุนโทเคนควบคู่กัน เพราะภาพความละเอียดสูงใช้โทเคนมากขึ้น

บรรทัดสุดท้าย

Claude Opus 4.7 น่าสนใจขึ้นสำหรับงานสกรีนช็อต เอกสารสแกน PDF แบบภาพ รายงานที่มีกราฟ แผนภาพเทคนิค และเลย์เอาต์ซับซ้อน เพราะ Anthropic ยืนยันการปรับปรุงด้านภาพความละเอียดสูง, visual perception, image localization และพิกัด 1:1 กับพิกเซลจริง Anthropic ยังระบุในบทความเปิดตัวว่า Opus 4.7 มี vision และ multimodal understanding ที่ดีขึ้น

อย่างไรก็ตาม หลักฐานทางการที่ตรวจสอบได้สนับสนุนข้อสรุปว่า “อ่านภาพได้ดีขึ้น” มากกว่า “PDF parsing หรือ table extraction ดีขึ้นแบบมีตัวเลขเฉพาะทางยืนยันแล้ว” หากงานของคุณเกี่ยวข้องกับ PDF ข้อความล้วน รายงานด้าน compliance หรือการดึงตารางที่ต้องแม่นยำสูง วิธีที่น่าเชื่อถือที่สุดยังคงเป็นการทดสอบ A/B กับเอกสาร สกรีนช็อต และรายงานจริงของคุณเอง ก่อนนำ Opus 4.7 เข้า workflow ที่ใช้งานจริง