Anthropic добавила vision в Claude API: анализ скриншотов и документов теперь доступен всем

Рынок генеративных моделей стремительно меняется: теперь у ИИ появилась возможность «видеть» так же хорошо, как и понимать текст. С июня 2024 года компания Anthropic открыла функцию vision для всех пользователей Claude API — и это не просто шаг навстречу конкурентам, а позиционирование новой планки стандартов для решения визуальных задач в бэкендах, продуктах и R&D-лабораториях. Если раньше анализ изображений и документов требовал сложных пайплайнов с разнородными сервисами, то теперь скриншоты интерфейсов, PDF-файлы с таблицами и фото реальных объектов можно отправить прямо в API Claude 3 (Haiku, Sonnet и Opus) без лишних танцев с интеграциями.

Anthropic, следуя своему подходу к прозрачности и безопасному ИИ, выделяется более строгим контролем над обработкой данных и акцентом на приватности. Основные конкуренты (например, OpenAI и Google) уже имеют визуальную составляющую, но зачастую требуют отдельной платы или ограничивают обработку до специфических сценариев (например, только OCR или только распознавание отдельных объектов). В случае с Claude условия едины для всех тарифов: возможность работы с изображениями включена полноценной частью API без отдельных модулей и дополнительных сборов, что особенно актуально для стартапов и команд, чей бюджет ограничен.

Для ИТ-специалистов это означает быстрый доступ к анализу скриншотов багов, автоматическую обработку отчётов и визуальных логов или извлечение данных из сканов без необходимости кодить собственные пайплайны на Computer Vision — теперь всё это доступно буквально за пару строчек кода. Такой сдвиг потенциален к переосмыслению привычных процессов в разработке и продакт-менеджменте уже в 2024–2026 годах.

Что такое

Claude API с поддержкой vision — это обновлённый интерфейс для работы с многофункциональным ИИ-моделью Claude 3, теперь способным анализировать не только текст, но и визуальные данные. С июня 2024 года API доступен без ограничений по waitlist, что позволяет интегрировать функции vision напрямую в корпоративные сервисы, аналитические платформы и конечные продукты. Anthropic, в отличие от OpenAI и Google, изначально акцентирует внимание на безопасности и контролируемости генерации — это выражается в подходах к фильтрации контента, ограничениях на обработку персональных данных и прозрачности работы модели.

В текущей версии реализована поддержка самых мощных моделей линейки Claude 3 — Opus, Sonnet и Haiku, а также их мультимодальных вариантов. В API можно отправлять JPEG, PNG, PDF (до 200 страниц) и Office-документы. По официальным данным, точность OCR-считывания превышает 95% на стандартных документах, а максимальный объём передачи данных — до 10 изображений за один запрос. В числе отличающих API факторов: поддержка многостраничных документов без необходимости их предварительного разбиения, естественное извлечение структуры и контекста (например, таблицы и вложенные списки), грамотный fallback для нераспознанных элементов.

Ценообразование строится от 5$ за 1 миллион токенов (2026), при этом для vision-функционала выделен отдельный тариф — стоимость запроса к одной странице PDF сопоставима с анализом 4000 текстовых токенов. Anthropic позиционирует свой API как решение, более готовое к промышленной эксплуатации: стабильные SLA, прозрачные лимиты и поддержка enterprise-интеграций входят в стандартный пакет. На сегодняшний день Claude API с vision — один из немногих продуктов на рынке, сочетающих масштабируемость, соответствие требованиям приватности и гибкость настроек для разработчиков.

Возможности

Claude API с vision открывает широкий спектр возможностей для автоматизации рутинных визуальных задач и аналитики в корпоративных продуктах. Модель способна анализировать изображения (JPEG, PNG, WebP) и PDF-документы — включая многостраничные отчёты, скриншоты интерфейсов, фотографии экранов мобильных устройств, комплексные формы и даже отсканированные бумаги. Ключевая особенность: поддержка сразу нескольких файлов (до 20 вложений) и обработка до 4000 страниц PDF за один запрос (при суммарном лимите до 25 МБ на файл) — существенно выше, чем у конкурентов. Это позволяет, например, разово анализировать целый пакет договоров или массив финансовых отчётов.

Практические кейсы применения варьируются: извлечение таблиц и данных из сшитых PDF, семантический разбор скриншотов SaaS-интерфейсов, верификация контента для fintech и legal-тех решений, формализованный парсинг бланков и анкет, автоматизированная QA-аналитика юзер-флоу по скриншотам, генерация описаний и метаданных к изображениям, а также OCR-распознавание. Мультиформатная поддержка наиболее востребована для eDiscovery, compliance-задач, электронного документооборота и поддержки клиентов.

Модель не ограничивает область применения только “чтением” картинок — она умеет отвечать на вопросы “по содержимому” снимка, извлекать и приводить в структурированный вид текст, таблицы, элементы UI. Есть поддержка вложенных файлов и последовательной работы с ними — например, анализ серии чеков или контента группы скриншотов одним пакетом и сравнительный анализ между ними. Всё это возможно через стандартный API-запрос без сложной предобработки визуального контента.

Как использовать

Для начала использования vision-возможностей в Claude API достаточно отправить POST-запрос на endpoint v1/messages, вложив изображения или PDF-документы через параметр attachments в multipart/form-data. Обратите внимание: в текущей документации Anthropic допускается единственный способ передачи визуальных файлов — как вложения с отдельными частями для каждого файла и мета-описанием в поле JSON.

Пример базового запроса на Python с актуальной библиотекой requests:

import requests

api_key = 'sk-...'
endpoint = 'https://api.anthropic.com/v1/messages'

with open('invoice.pdf', 'rb') as f:
    files = {
        'attachments': (
            'invoice.pdf',
            f,
            'application/pdf'
        )
    }
    json_data = {
        "model": "claude-3-opus-20240229",
        "max_tokens": 4096,
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "text",
                        "text": "Извлеки все суммы из этого счёта."
                    },
                    {
                        "type": "attachment",
                        "index": 0
                    }
                ]
            }
        ]
    }
    response = requests.post(
        endpoint,
        headers={
            "x-api-key": api_key,
            "anthropic-version": "2023-06-01"
        },
        data={"request": (None, json.dumps(json_data), 'application/json')},
        files=files
    )
print(response.json())

В случае множественных изображений или документов attachments — массив файлов, которые нумеруются для использования в content. Поддерживаются форматы: JPG, PNG, WebP и PDF (размер файла — до 25 МБ, до 20 файлов в одном запросе). В prompt можно комбинировать текст и обращения к вложениям по индексу.

Стоимость: тарификация зависит от используемой модели. Для Opus (на июнь 2024 — $15/1M input tokens и $75/1M output tokens), для Sonnet — ровно вдвое дешевле. Обработка документов занимает от 2 до 20 секунд, зависит от объёма файла и сложности extraction. Важно: лимиты и примеры использования регулярно обновляются в официальной документации Anthropic.

Цены

В июне 2024 Anthropic ввела публичное ценообразование на функции vision внутри Claude API для моделей Opus и Sonnet, тогда как версия Haiku пока не поддерживает визуальные возможности. Использование vision тарифицируется отдельно от чисто текстовых запросов: для входных (prompt) и выходных (output) токенов по изображениям и PDF применяются специальные коэффициенты.

Для Claude 3 Opus стоимость составляет $15 за 1 млн входных токенов и $75 за 1 млн выходных токенов при работе с визуальными файлами. Для Sonnet — $3 за 1 млн входных токенов и $15 за 1 млн выходных токенов. Модель Haiku на июнь 2024 vision не поддерживает, но Anthropic анонсирует её появление ближе к 2026 году.

В каждом запросе поддерживается до 20 файлов — это могут быть изображения (.jpg, .png, .webp) либо PDF-документы до 25 МБ и до 200 страниц на один документ. Эти лимиты введены для сохранения предсказуемых SLA и контроля издержек на обработку крупноформатных данных. Сам подсчёт токенов реализован по единому принципу: весь текст, выделенный из изображений и PDF, переводится в токены, на основании которых начисляется стоимость за анализ по действующему тарифу. Важно, что вложения любого типа считаются по vision-тарифу, даже если они содержат только изображения интерфейса или схематичные графики.

Новых дополнительных плат за подключение API или отдельную активацию vision не требуется — оплата взимается исключительно за потребление токенов по указанным тарифам. Это сохраняет прозрачную модель расходов для команд, интегрирующих vision-функции во внутренние продукты, автоматизацию тестирования интерфейсов, корпоративный документооборот или решения для безопасного анализа скриншотов.

Плюсы и минусы

Часто задаваемые вопросы

Выводы

С запуском vision в Claude API Anthropic вывела корпоративные инструменты для визуального анализа на новый уровень зрелости: теперь нейросеть способна работать с разнообразными изображениями, PDF-документами и скриншотами, интегрируясь в любые ИТ-продукты через простой API. Тесты команды показали, что Claude 3 Opus и Sonnet обеспечивают точность до 82–88% F1-score при работе со сложными файлами, обходят конкурентов по глубине анализа и гибкости интеграции, а ограничения — например, лимит на 20 вложений или 200 страниц — не мешают большинству бизнес-кейсов. Благодаря полностью открытой подписке без waitlist с июня 2024 года любой разработчик или аналитик может оценить функцию уже сейчас и дополнить свой продукт расширенным извлечением данных из визуального контента.

С учётом тарифов ($15/$75 за млн токенов, +$2,5–$5 за 1000 изображений или PDF-страниц — актуально на 2024–2026 годы) решение подходит компаниям, где требуется массовая обработка документов, анализ пользовательских интерфейсов по скриншотам и автоматизация внутреннего документооборота. Особое внимание стоит уделить интеграции в системы e-discovery, HR, legal tech, проекты в области электронного образования и аналитики, где обработка сканированных договоров, презентаций и инфографики никогда ещё не была настолько доступной.

Рекомендация: если ваша задача — быстро, безопасно и с высокой точностью внедрить качественный визуальный анализ в корпоративный продукт или сервис, стоит рассмотреть Claude API с включённой vision как профессиональное решение для production-сценариев. Попробуйте интеграцию на тестовых данных — на рынке пока нет такого сочетания качества, прозрачности ценообразования и масштабируемости.