Claude Opus 4.7 đọc ảnh chụp màn hình, PDF và báo cáo tốt hơn ở đâu?

Kết luận nhanh: mạnh hơn ở vision, chưa phải benchmark PDF riêng

Theo tài liệu Anthropic, Claude Opus 4.7 là mô hình Claude đầu tiên hỗ trợ ảnh độ phân giải cao, với giới hạn tối đa tăng từ 1568 px/1,15 MP lên 2576 px/3,75 MP. Bài công bố của Anthropic cũng mô tả Opus 4.7 có năng lực vision tốt hơn đáng kể và cải thiện về multimodal understanding, tức khả năng hiểu kết hợp hình ảnh với văn bản/ngữ cảnh.

Vì vậy, cách diễn giải thận trọng là: Opus 4.7 có khả năng đọc hình ảnh, nhận diện chi tiết và hiểu bố cục tốt hơn; điều này có thể giúp nhiều quy trình xử lý tài liệu dạng ảnh. Nhưng Anthropic chưa công bố một benchmark công khai riêng cho hiểu PDF, hiểu báo cáo hoặc trích xuất bảng để có thể nói rằng mọi tác vụ PDF đều đã được lượng hóa là tăng mạnh.

1. Ảnh độ phân giải cao hơn: lợi nhất khi tài liệu có chữ nhỏ và bố cục dày

Nâng cấp rõ nhất là giới hạn ảnh đầu vào. Opus 4.7 hỗ trợ ảnh tối đa 2576 px/3,75 MP, thay vì 1568 px/1,15 MP như trước đó.

Với ảnh chụp màn hình và tài liệu, đây là điểm rất thực dụng. Nhiều lỗi khi mô hình đọc tài liệu không đến từ việc mô hình “không hiểu”, mà vì chữ quá nhỏ, nhãn biểu đồ quá sát nhau, đường kẻ bảng mờ, chú thích bị nén hoặc các khối nội dung nằm trong một trang quá dày. Ảnh có độ phân giải cao hơn không bảo đảm câu trả lời luôn đúng, nhưng giúp mô hình có thêm dữ liệu thị giác gốc để phân tích, đặc biệt trong các tác vụ cần đọc chữ nhỏ, nhận ra nhãn cột, xem chú thích biểu đồ hoặc phân biệt vùng nội dung.

2. Ảnh chụp màn hình và tài liệu là nhóm tác vụ được Anthropic nhắc trực tiếp

Tài liệu Anthropic liên hệ hỗ trợ ảnh độ phân giải cao với các workflow như computer use, screenshot, artifact và document understanding. Với người dùng thực tế, điều đó có nghĩa nâng cấp này không chỉ dành cho ảnh phong cảnh hay ảnh minh họa, mà còn liên quan đến màn hình phần mềm, trang tài liệu, giao diện sản phẩm và báo cáo có nhiều thành phần thị giác.

3. Không chỉ “nhìn rõ”: chỉ vị trí, đo và đếm cũng quan trọng

Tài liệu của Anthropic cho biết Opus 4.7 cải thiện các năng lực thị giác cấp thấp như pointing, measuring và counting. Nghe có vẻ cơ bản, nhưng đây lại là nền tảng của nhiều bài toán đọc tài liệu.

• Pointing: chỉ ra một nút, trường dữ liệu, nhãn, ô bảng hoặc vùng trang nằm ở đâu.
• Measuring: ước lượng khoảng cách, kích thước tương đối hoặc quan hệ vị trí giữa các phần tử.
• Counting: đếm mục, dòng, khối, điểm đánh dấu hoặc thành phần thị giác trên trang.

Trong báo cáo và dashboard, người dùng thường không chỉ hỏi “hãy tóm tắt nội dung”. Họ có thể hỏi: con số ở góc phải biểu đồ thứ ba là gì, dòng nào có ký hiệu bất thường, sơ đồ quy trình có bao nhiêu nút quyết định, hay phần chú thích nằm ở đâu. Những câu hỏi này phụ thuộc nhiều vào định vị thị giác và đọc chi tiết, không chỉ vào suy luận ngôn ngữ.

4. Định vị ảnh và tọa độ 1:1 giúp ích cho UI và tự động hóa

Anthropic cũng nói Opus 4.7 cải thiện image localization, gồm bounding-box localization và detection trên ảnh tự nhiên. Với tài liệu và ảnh chụp màn hình, điều này làm cho các tác vụ như tìm vùng, khoanh khu vực, chỉ ra vị trí hoặc mô tả bố cục trở nên thực dụng hơn.

Một điểm đáng chú ý khác là tài liệu cho biết tọa độ của Opus 4.7 tương ứng 1:1 với pixel thực tế, không cần quy đổi tỷ lệ. Nếu bạn muốn mô hình chỉ tọa độ của một nút bấm, khoanh vùng bảng, xác định thông báo lỗi nằm ở đâu hoặc đưa kết quả tọa độ vào một bước tự động hóa, việc không phải tự tính lại tỷ lệ sẽ làm quy trình gọn hơn.

5. Với PDF và báo cáo, phải tách từng trường hợp

PDF scan, ảnh chụp tài liệu và báo cáo dạng ảnh

Nếu PDF thực chất là trang scan, ảnh chụp tài liệu hoặc trang báo cáo được đưa vào dưới dạng hình ảnh, nâng cấp ảnh độ phân giải cao và các cải thiện liên quan đến document understanding workflows là phần có khả năng hữu ích nhất. Nên thử các tác vụ như đọc chữ nhỏ, tìm trường dữ liệu, hiểu bố cục trang, đọc nhãn biểu đồ và xác định vị trí một vùng nội dung.

Báo cáo có biểu đồ, bảng, hình kỹ thuật

Nếu báo cáo chứa biểu đồ, bảng dưới dạng ảnh, sơ đồ kỹ thuật hoặc bố cục nhiều lớp, Opus 4.7 có thêm lợi thế từ ảnh độ phân giải cao, cảm nhận thị giác cấp thấp và định vị ảnh tốt hơn. Bài công bố của Anthropic cũng nhấn mạnh cải thiện về vision và multimodal understanding.

Tuy vậy, nếu mục tiêu chính là trích xuất bảng phức tạp thành dữ liệu có cấu trúc, vẫn nên kiểm thử bằng mẫu thật của bạn. Các nguồn chính thức được dùng ở đây không đưa ra benchmark riêng cho trích xuất bảng, nên không nên đồng nhất “vision tốt hơn” với “mọi bảng đều được trích xuất ổn định”.

PDF thuần văn bản

Nếu tài liệu là PDF văn bản sạch và nhiệm vụ chỉ là tóm tắt hoặc hỏi đáp nội dung chữ, nâng cấp thị giác độ phân giải cao chưa chắc là yếu tố quyết định. Những điểm được xác nhận rõ trong lần này là ảnh độ phân giải cao, định vị ảnh, cảm nhận thị giác và hiểu đa phương thức — không phải một công cụ phân tích văn bản PDF hoàn toàn mới được công bố riêng.

6. Độ phân giải cao có chi phí: không phải lúc nào cũng nên dùng tối đa

Anthropic lưu ý rằng ảnh độ phân giải cao sẽ tiêu thụ nhiều token hơn; nếu tác vụ không cần chi tiết hình ảnh ở mức cao, nên downsample ảnh trước để kiểm soát chi phí.

Một cách dùng thực tế:

• Khi cần đọc chữ nhỏ, nhãn biểu đồ, chú thích hoặc cần tọa độ chính xác, hãy giữ ảnh ở độ phân giải cao hơn.
• Khi chỉ cần tóm tắt ý chính và bố cục không quá dày, hãy thử giảm độ phân giải để tránh tốn token không cần thiết.
• Nếu chưa rõ mức chi tiết cần thiết, chạy thử ở độ phân giải trung bình trước; nếu mô hình bỏ sót chi tiết, mới tăng độ phân giải và so chi phí.

7. Cách tự kiểm tra Opus 4.7 có hợp với quy trình tài liệu của bạn hay không

Đừng chỉ hỏi “mô hình có đọc PDF tốt không?”. Câu hỏi hữu ích hơn là: với loại tài liệu của bạn, nó có đọc đúng chi tiết, tìm đúng vùng, trích số chính xác và giải thích dựa trên bằng chứng hay không.

Gợi ý quy trình kiểm thử:

1. Chuẩn bị mẫu đại diện: ảnh chụp giao diện, trang scan, báo cáo có biểu đồ, bảng dày, sơ đồ kỹ thuật.
2. So sánh nhiều phiên bản đầu vào: ảnh gốc, ảnh trang độ phân giải cao, ảnh nén, ảnh đã downsample.
3. Tách câu hỏi thành ba nhóm: tóm tắt tổng thể, trích chi tiết, định vị hoặc tọa độ.
4. Yêu cầu mô hình nêu căn cứ: vùng trang, hàng/cột bảng, vị trí biểu đồ hoặc tọa độ.
5. Đối chiếu thủ công các con số: nhất là bảng nhiều trang, tiêu đề nhiều tầng, ô gộp và giá trị trên biểu đồ.
6. Ghi lại token và chi phí, vì ảnh độ phân giải cao dùng nhiều token hơn.

Điểm mấu chốt

Claude Opus 4.7 hấp dẫn hơn với ảnh chụp màn hình, tài liệu scan, PDF dạng ảnh, báo cáo có biểu đồ, sơ đồ kỹ thuật và bố cục phức tạp vì Anthropic xác nhận các cải thiện về ảnh độ phân giải cao, cảm nhận thị giác cấp thấp, image localization và tọa độ pixel 1:1. Bài công bố của Anthropic cũng nói Opus 4.7 có vision và multimodal understanding tốt hơn.

Nhưng kết luận chắc nhất hiện nay là: khả năng đọc hình ảnh mạnh hơn, không phải mọi tác vụ PDF hay bảng biểu đã có bằng chứng công khai về một bước nhảy lượng hóa. Nếu công việc của bạn là tóm tắt PDF thuần văn bản, rà soát báo cáo tuân thủ hoặc trích xuất bảng cần độ chính xác cao, cách an toàn nhất vẫn là A/B test bằng chính tài liệu, ảnh chụp màn hình và báo cáo của bạn trước khi đưa Opus 4.7 vào quy trình chính thức.