Amazon Nova 2 Lite + Claude Sonnet 4.6 组合：低成本高精度文档数字化方案

一句话看懂

AWS 用 Amazon Nova 2 Lite 做低成本多模态提取 + Claude Sonnet 4.6 做空间推理，将扫描年刊页的姓名与人脸匹配，每页成本仅 $0.0027，准确率达 93%。

详细发生了什么

AWS 机器学习博客发布了一篇技术方案，展示如何将 Amazon Nova 2 Lite 与 Anthropic 的 Claude Sonnet 4.6 组合，用于大规模扫描文档数字化。方案针对年刊页（每页约 176 个姓名、4 张照片）构建了一个双模型流水线：

第一阶段：Amazon Nova 2 Lite 通过一次 Converse API 调用完成原生多模态提取，包括检测照片并返回 bounding boxes、提取可见姓名及其坐标、输出页面级元数据。该阶段使用 LOW 推理级别，测试 336 页后确认与 MEDIUM/HIGH 无显著精度差异，成本最低。
第二阶段：Claude Sonnet 4.6 接收 Nova 的输出，进行空间推理，根据页面布局将姓名与面孔匹配。Claude 使用 adaptive thinking 特性，根据页面复杂度自动调整推理深度（推理字符数 544-1658 字符）。

在 336 页测试中，流水线产生了 3,122 个姓名-面孔关联，93% 的置信度得分 ≥0.95。相比单模型方案（将所有任务交给一个视觉语言模型），双模型方案每页成本降低约三分之二。

成本细节：Amazon Nova 2 Lite 采用固定每图像定价（$0.30/M 输入 tokens），每页总成本约 $0.0027（图像 tokens 230 + 提示 tokens 500 + 输出 tokens 1000）。Claude Sonnet 4.6 的 adaptive thinking 推理 tokens 按输出 tokens 计费（$15.00/M 输出 tokens）。

中文圈视角

这个方案对中文用户有几个直接意义：

文档数字化场景的平替方案：国内类似需求（如档案扫描、证件识别、表单录入）通常依赖 OCR + 后处理规则。Nova 2 Lite + Claude 的组合提供了一种端到端的多模态方案，无需单独训练 OCR 模型或写复杂规则。对于有 AWS 账号的用户，可以直接在 Amazon Bedrock 上使用，无需额外基础设施。
成本优势明显：每页 $0.0027 约合人民币 2 分钱，比国内主流 OCR API（如百度 OCR 高精度版约 0.01 元/次）还便宜，且包含了空间推理能力。对于处理数十万页的机构（如档案馆、出版社），成本可预测且线性扩展。
国产替代对比：国内类似服务如阿里云 OCR、腾讯云 OCR 主要做文字提取，缺乏空间推理能力。如果需要姓名-面孔匹配，通常需要自建流程。而 ModelScope 上的多模态模型（如 Qwen-VL）可以尝试，但需要自行部署和调优。AWS 方案的优势在于开箱即用，且 Claude 的 adaptive thinking 减少了 prompt 工程工作量。
监管与数据安全：对于涉及个人信息的文档（如年刊包含姓名和照片），数据需通过 AWS 处理，存在数据出境问题。国内用户若需合规，可考虑使用 AWS 中国区域（若支持）或寻找国产替代方案。
中文圈盲点：目前国内讨论多集中在单模型能力（如 GPT-4o 的多模态），但模型组合（model routing）的性价比优势被低估。这个方案展示了“让便宜模型做粗活，贵模型做精活”的实用思路，值得中文开发者借鉴。

几条值得记住的细节

每页成本约 $0.0027（约 2 分人民币），比单模型方案便宜三分之二。
Amazon Nova 2 Lite 采用固定每图像定价，不按分辨率计费，成本可预测。
336 页测试中，93% 的姓名-面孔匹配置信度 ≥0.95。
Claude 使用 adaptive thinking，推理字符数 544-1658，无需手动设置 token 预算。
完整代码和 Jupyter notebook 在 AWS Samples GitHub 仓库中。

一句话总结

用 Nova 2 Lite 做低成本提取 + Claude 做精准推理，是当前文档数字化场景中性价比极高的组合方案。