一言で
テキストだけでなく画像・動画・音声など複数の入力形式（モダリティ）を扱える、Amazon Bedrock上の基盤モデルの総称。
なぜ要るか / 背景
実務のユースケースには、テキストだけでなく画像（帳票・写真・スクリーンショット）や動画を理解・生成させたい場面が多い。単一のモデルで複数モダリティを扱えれば、モダリティごとに別サービスを組み合わせる複雑さを減らせる。
主要概念
- モダリティ：入力・出力の形式（テキスト・画像・動画・音声など）。マルチモーダルモデルはこれを複数扱える
- Amazon Nova：AWS独自モデル群。Microはテキスト専用、LiteとProは画像・動画・テキストを扱うマルチモーダルモデル、Canvasはテキスト→画像生成、Reelはテキスト/画像→動画生成
- Claude（Anthropic）：画像入力に対応。文書処理・推論・エージェント型ワークフローで利用されやすい
- Gemma 4（2026年6月〜）：テキスト・画像・動画・音声のマルチモーダル入力に対応する新しいBedrockモデルファミリー（31B/26B-A4B/E2Bの3構成）
- マルチモーダルガードレール（2026年新機能）：テキストと画像入力の両方を評価できるようGuardrailsが強化されたもの。モデルのマルチモーダル対応とは別レイヤーの機能
- Bedrock Data Automation（BDA）：Knowledge Basesの「マルチモーダル対応」を支える裏方。画像を含む文書を生成AIで構造化テキストに変換してから埋め込む仕組みで、埋め込みモデル自体がマルチモーダル化したわけではない点に注意
基本の流れ
- Bedrockコンソールの「Model access」でマルチモーダル対応モデル（Nova Pro/Liteなど）へのアクセスをリクエスト
- Converse APIなどで画像・動画・テキストを組み合わせた入力を送信
- モデルがモダリティを横断して理解・生成した結果を返す
- 必要に応じてマルチモーダルガードレールで画像入力側も含めて出力を制御
関連
- Bedrock Guardrails：出力制御の仕組み。2026年にマルチモーダル対応（画像＋テキスト評価）が追加された
- Bedrock Knowledge Bases：RAG用のベクトル検索基盤。マルチモーダル対応はBDA経由のテキスト化がベースで、直接的な画像埋め込みではない
- Bedrock Data Automation（BDA）：非構造化・マルチモーダルデータを構造化データに変換する機能
試験ポイント（AIP-C01）
- 「マルチモーダルモデル」＝入力を複数形式で直接受け取れる基盤モデル、という定義を押さえる
- Nova系列は「Micro＝テキストのみ」「Lite/Pro＝マルチモーダル」「Canvas/Reel＝生成特化」とモデルごとに役割が違う点を区別できるようにする
- Knowledge Basesの「マルチモーダル対応」は埋め込みモデル自体の話ではなく、BDAによる事前のテキスト化が本質、という誤解しやすいポイントに注意
- Guardrailsのマルチモーダル対応（画像＋テキスト評価）とモデル自体のマルチモーダル対応は別機能として区別する