處理歷史文件或校友錄的數位化，向來是企業轉型中的隱形痛點。單純的文字辨識（OCR）早已不足以應付現實需求，因為許多關鍵資訊是隱含在複雜的版面配置中。例如，在一頁校友錄裡可能包含上百個名字與多張人像照片，系統該如何精準地將名字與對應的人臉配對？這不僅考驗 AI 的視覺辨識能力，更挑戰其對於空間配置的邏輯推理水準。
AWS 最近揭示了一種聰明的解法，透過 Amazon Bedrock 平台，將 Amazon 自家的 Nova 2 Lite 模型與 Anthropic 的 Claude Sonnet 4.6 結合。這個雙模型架構採取「分工合作」策略：由輕量化的 Nova 2 Lite 負責第一階段的重體力活，利用其原生的多模態能力，快速掃描頁面、檢測人臉位置並擷取所有文字及其空間坐標；第二階段則交由具備強大邏輯思維的 Claude，進行複雜的空間推理，根據坐標資訊將名字與正確的頭像進行關聯並產出結構化資料。
這種模式對產業最大的衝擊在於「成本效益比」。過去，開發者往往傾向使用單一最強的大模型來處理端到端的任務，但這樣做運算開銷極其昂貴。根據實測數據，這套雙模型方案在處理超過三千組關聯資料時，不僅有 93% 的結果達到高度信心水準，成本竟然比單一模型方案省下約三分之二。這證明了在生成式 AI 的商業應用中，模型並非「越大越好」，如何透過架構優化來精省開支，將成為企業 AI 專案能否成功的關鍵。
這項發展標誌著 AI 應用已從單純的「技術展示」邁向「商業規模化」。對於需要處理海量非結構化資料的產業，如金融、醫療或公部門機構，這類低成本、高精度的混合模型架構提供了極具吸引力的實作路徑。它解決了長久以來數位化成本過高的技術門檻，讓過去因預算限制而塵封的歷史資料，終於有了重見天日並轉化為數位資產的機會。