返回
原文
MarkTechPost（RSS）
同事件
72AI 编辑部评分，满分 100

Mistral AI 发布 OCR 4 模型

2026-06-24 07:43· 53天前· Asif Razzaq
AI 导读

Mistral AI 今日发布 OCR 4，支持 170 种语言，可单容器自托管部署。新版本除提取文本外，还返回边界框、块类型（标题/表格/方程等）和逐字置信度分数。独立标注者在 600+ 文档、12+ 语言的测试中平均胜率 72%。价格 $4/千页，批量 $2/千页，Document AI 模式 $5/千页。企业客户可自托管。Rogo 报告等效精度下成本低约 8 倍、延迟低 17 倍；Anaqua 测得每页快约 4 倍。OCR 4 同时作为 Mistral Search Toolkit（公开预览）的接入组件。

正文 · AI 翻译

今天，Mistral AI 发布了其最新的文档理解模型 OCR 4。此次新版本在提取文本的基础上，新增了边界框、区块分类和内联置信度分数。它支持 10 个语系的 170 种语言，并可在单个容器中运行，实现完全自托管部署。OCR 4 还可作为企业搜索、RAG 和特定领域检索管道的文档摄入组件。

摘要

  • OCR 4 不仅返回文本，还返回边界框、类型化区块标签和逐词置信度分数。
  • 它支持 10 个语系的 170 种语言，在稀有和低资源语言上表现更佳。
  • 独立标注员对 OCR 4 的偏好度超过了所有被测试的系统，平均胜率达 72%。
  • 定价为每 1000 页 4 美元，使用 Batch-API 折扣后降至 2 美元。
  • 一个端点即可同时提供原始提取和基于模式的 Document AI 输出。

Mistral OCR 4

Mistral OCR 4 能够从各类文档中提取并结构化内容。前几代模型侧重于将页面转换为干净的文本和表格。而 OCR 4 则返回整个文档的结构化表示。

每个区块都通过边界框进行定位，并按类型进行分类。区块类型包括标题、表格、公式、签名等。系统会按页和按词生成内联置信度分数。

因此，下游系统不仅能了解文档的内容，还能知道每个元素的位置、扮演的角色以及模型的置信度。这些额外的上下文对于引用、编辑和人工复核至关重要。

OCR 4 支持常见的企业格式，包括 PDF、DOC、PPT 和 OpenDocument。该模型足够紧凑，可在单个容器中部署。企业客户可选择自行管理部署，以满足数据驻留和合规性要求。

基准测试

Mistral 将 OCR 4 与 AI 原生 OCR 模型、前沿通用模型、企业文档服务以及 Mistral OCR 3 进行了对比。

多位独立标注员一致认为，OCR 4 优于所有参与测试的主流系统。在对比测试集中，其平均胜率达到 72%。该评估使用了来自第三方供应商、涵盖 12 种以上语言的 600 多份文档。标注员逐份文档将各竞品输出与 OCR 4 的输出进行排名比较。

在自动化基准测试中，OCR 4 在公开的 OlmOCRBench 上获得 85.20 分，在 OmniDocBench 上获得 93.07 分，在 Mistral 内部的多语言爬取评估（Crawl Multilingual）中得分 0.98。

两个客户数据提供了更多背景信息。Rogo 报告称，与领先的智能体解析器相比，其实现了大致相当的精度，同时成本降低约 8 倍，延迟降低约 17 倍。Anaqua 测得每页处理速度比其原有供应商快约 4 倍。

分割，而非仅仅是文本

边界框是 Mistral 用户最常要求的功能。它们能定位文本，用于上下文内高亮显示以及构建可靠的数据流水线。

区块类型和置信度分数服务于不同的任务。它们驱动着基于来源的引用、内容编辑以及人工参与的验证流程。这种结构支持多种下游工作负载。

经过清洗和分类的区块，能成为更优的 RAG 检索单元。智能体获得了对文档进行操作的结构化原语，而不仅仅是读取文档。连接器则能接收到一致、类型化的输出，用于数据摄取和索引构建。

OCR 4 同时也是 Mistral 搜索工具包（Search Toolkit）的一个数据摄取组件，该工具包现已公开预览。搜索工具包是 Mistral 开源的、可组合的搜索框架。其结构化输出为检索和评估工作流提供了可直接用于引用的输入。

应用场景与示例

OCR 4 既支持高吞吐量的流水线，也支持交互式文档工作流。

  • 文档解析与提取：将多语言合同转换为干净、结构化的 Markdown 格式，以便进行索引。
  • 检索增强生成（RAG）：将分类后的区块输入搜索工具包，以获取带有引用的、基于来源的答案。
  • 智能体工作流：为处理发票的智能体提供类型化字段和边界框，使其能自动填写表单。
  • 置信度门控流水线：将低置信度区域路由至人工审核员，其余部分则自动批准。
  • 企业搜索：将 OCR 4 作为数据源组件，用于整个档案库的数据摄取和实体提取。

早期用户将 OCR 4 应用于发票结构化字段提取和企业档案数字化。其他用户则用它从技术报告中提取纯净文本，或为企业搜索提供支持。

Mistral 官方发布中关于适用范围说明：OCR 4 是一款文档理解模型，而非决策工具。它不适用于医疗诊断、法律判决或高风险金融决策。同样不适合安全关键系统、实时处理，或原始音频/视频等非文档输入。

对比：纯提取模式 vs 文档 AI 模式

OCR 4 通过单一 API 端点提供服务。每次请求都运行相同的模型。它始终返回提取内容、边界框、区块类型、置信度分数和 Markdown 格式。区别在于你在其上层叠加多少功能。

能力纯提取模式文档 AI 模式（同一端点）
输出Markdown、边界框、区块类型、置信度按你定义的结构化 JSON 模式
工作原理原始 OCR 响应OCR 输出输入至 mistral-small-2603
图像标注不应用基于模式的逐图视觉语言调用
自定义提示词否是，指导解读或摘要生成
最佳适用场景流水线、智能体、批量导入业务用户、试点项目、无需解析逻辑
价格每 1,000 页 4 美元（批量 2 美元）每 1,000 页 5 美元
自托管企业可用企业可用

决策规则很简单。需要原始提取内容？直接使用 OCR 4。需要将输出重塑为特定模式或添加领域字段标注？在同一个调用中添加文档 AI 参数即可。

使用 API

基础提取只需提供文档 URL，即可返回结构化页面。设置 include_blocks=True 可获取带类型的区块和边界框。

import os
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": "https://arxiv.org/pdf/2201.04234"
    },
    include_blocks=True,                  # typed blocks + bounding boxes
    table_format="html",                  # None (inline), "markdown", or "html"
    include_image_base64=True
)

响应是一个包含 pages 数组的 JSON 对象。每个页面携带 markdown、图片、表格、超链接、尺寸和置信度分数。如需构建人工审核流程，可请求逐词置信度。

ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={"type": "document_url",
              "document_url": "https://arxiv.org/pdf/2201.04234"},
    confidence_scores_granularity="word"   # or "page" for aggregates
)

"word"设置会为每个页面和每个表格条目添加 word_confidence_scores 数组。对于大批量任务，Mistral 建议使用批量推理服务，可将每页成本降低一半。

立即体验：交互式输出浏览器

下方嵌入的可视化内容展示了 OCR 4 的结构化输出。您可以在示例文档之间切换，开启或关闭边界框与区块类型，并打开置信度热力图。Markdown 和 JSON 选项卡并排显示了两种输出格式。示例数据仅供示意，并非实时 API 调用。

检索增强产品更新多模态搜索

来源：MarkTechPost（RSS） · marktechpost.com

导出 Markdown
同一事件 · 2
返回
同事件AI 评分 72/100打开原文
导出 Markdown

Mistral AI 发布 OCR 4 模型

MarkTechPost（RSS）·2026-06-24 07:43·53天前·Asif Razzaq
AI 导读

Mistral AI 今日发布 OCR 4，支持 170 种语言，可单容器自托管部署。新版本除提取文本外，还返回边界框、块类型（标题/表格/方程等）和逐字置信度分数。独立标注者在 600+ 文档、12+ 语言的测试中平均胜率 72%。价格 $4/千页，批量 $2/千页，Document AI 模式 $5/千页。企业客户可自托管。Rogo 报告等效精度下成本低约 8 倍、延迟低 17 倍；Anaqua 测得每页快约 4 倍。OCR 4 同时作为 Mistral Search Toolkit（公开预览）的接入组件。

正文 · AI 翻译

今天，Mistral AI 发布了其最新的文档理解模型 OCR 4。此次新版本在提取文本的基础上，新增了边界框、区块分类和内联置信度分数。它支持 10 个语系的 170 种语言，并可在单个容器中运行，实现完全自托管部署。OCR 4 还可作为企业搜索、RAG 和特定领域检索管道的文档摄入组件。

摘要

  • OCR 4 不仅返回文本，还返回边界框、类型化区块标签和逐词置信度分数。
  • 它支持 10 个语系的 170 种语言，在稀有和低资源语言上表现更佳。
  • 独立标注员对 OCR 4 的偏好度超过了所有被测试的系统，平均胜率达 72%。
  • 定价为每 1000 页 4 美元，使用 Batch-API 折扣后降至 2 美元。
  • 一个端点即可同时提供原始提取和基于模式的 Document AI 输出。

Mistral OCR 4

Mistral OCR 4 能够从各类文档中提取并结构化内容。前几代模型侧重于将页面转换为干净的文本和表格。而 OCR 4 则返回整个文档的结构化表示。

每个区块都通过边界框进行定位，并按类型进行分类。区块类型包括标题、表格、公式、签名等。系统会按页和按词生成内联置信度分数。

因此，下游系统不仅能了解文档的内容，还能知道每个元素的位置、扮演的角色以及模型的置信度。这些额外的上下文对于引用、编辑和人工复核至关重要。

OCR 4 支持常见的企业格式，包括 PDF、DOC、PPT 和 OpenDocument。该模型足够紧凑，可在单个容器中部署。企业客户可选择自行管理部署，以满足数据驻留和合规性要求。

基准测试

Mistral 将 OCR 4 与 AI 原生 OCR 模型、前沿通用模型、企业文档服务以及 Mistral OCR 3 进行了对比。

多位独立标注员一致认为，OCR 4 优于所有参与测试的主流系统。在对比测试集中，其平均胜率达到 72%。该评估使用了来自第三方供应商、涵盖 12 种以上语言的 600 多份文档。标注员逐份文档将各竞品输出与 OCR 4 的输出进行排名比较。

在自动化基准测试中，OCR 4 在公开的 OlmOCRBench 上获得 85.20 分，在 OmniDocBench 上获得 93.07 分，在 Mistral 内部的多语言爬取评估（Crawl Multilingual）中得分 0.98。

两个客户数据提供了更多背景信息。Rogo 报告称，与领先的智能体解析器相比，其实现了大致相当的精度，同时成本降低约 8 倍，延迟降低约 17 倍。Anaqua 测得每页处理速度比其原有供应商快约 4 倍。

分割，而非仅仅是文本

边界框是 Mistral 用户最常要求的功能。它们能定位文本，用于上下文内高亮显示以及构建可靠的数据流水线。

区块类型和置信度分数服务于不同的任务。它们驱动着基于来源的引用、内容编辑以及人工参与的验证流程。这种结构支持多种下游工作负载。

经过清洗和分类的区块，能成为更优的 RAG 检索单元。智能体获得了对文档进行操作的结构化原语，而不仅仅是读取文档。连接器则能接收到一致、类型化的输出，用于数据摄取和索引构建。

OCR 4 同时也是 Mistral 搜索工具包（Search Toolkit）的一个数据摄取组件，该工具包现已公开预览。搜索工具包是 Mistral 开源的、可组合的搜索框架。其结构化输出为检索和评估工作流提供了可直接用于引用的输入。

应用场景与示例

OCR 4 既支持高吞吐量的流水线，也支持交互式文档工作流。

  • 文档解析与提取：将多语言合同转换为干净、结构化的 Markdown 格式，以便进行索引。
  • 检索增强生成（RAG）：将分类后的区块输入搜索工具包，以获取带有引用的、基于来源的答案。
  • 智能体工作流：为处理发票的智能体提供类型化字段和边界框，使其能自动填写表单。
  • 置信度门控流水线：将低置信度区域路由至人工审核员，其余部分则自动批准。
  • 企业搜索：将 OCR 4 作为数据源组件，用于整个档案库的数据摄取和实体提取。

早期用户将 OCR 4 应用于发票结构化字段提取和企业档案数字化。其他用户则用它从技术报告中提取纯净文本，或为企业搜索提供支持。

Mistral 官方发布中关于适用范围说明：OCR 4 是一款文档理解模型，而非决策工具。它不适用于医疗诊断、法律判决或高风险金融决策。同样不适合安全关键系统、实时处理，或原始音频/视频等非文档输入。

对比：纯提取模式 vs 文档 AI 模式

OCR 4 通过单一 API 端点提供服务。每次请求都运行相同的模型。它始终返回提取内容、边界框、区块类型、置信度分数和 Markdown 格式。区别在于你在其上层叠加多少功能。

能力纯提取模式文档 AI 模式（同一端点）
输出Markdown、边界框、区块类型、置信度按你定义的结构化 JSON 模式
工作原理原始 OCR 响应OCR 输出输入至 mistral-small-2603
图像标注不应用基于模式的逐图视觉语言调用
自定义提示词否是，指导解读或摘要生成
最佳适用场景流水线、智能体、批量导入业务用户、试点项目、无需解析逻辑
价格每 1,000 页 4 美元（批量 2 美元）每 1,000 页 5 美元
自托管企业可用企业可用

决策规则很简单。需要原始提取内容？直接使用 OCR 4。需要将输出重塑为特定模式或添加领域字段标注？在同一个调用中添加文档 AI 参数即可。

使用 API

基础提取只需提供文档 URL，即可返回结构化页面。设置 include_blocks=True 可获取带类型的区块和边界框。

import os
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": "https://arxiv.org/pdf/2201.04234"
    },
    include_blocks=True,                  # typed blocks + bounding boxes
    table_format="html",                  # None (inline), "markdown", or "html"
    include_image_base64=True
)

响应是一个包含 pages 数组的 JSON 对象。每个页面携带 markdown、图片、表格、超链接、尺寸和置信度分数。如需构建人工审核流程，可请求逐词置信度。

ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={"type": "document_url",
              "document_url": "https://arxiv.org/pdf/2201.04234"},
    confidence_scores_granularity="word"   # or "page" for aggregates
)

"word"设置会为每个页面和每个表格条目添加 word_confidence_scores 数组。对于大批量任务，Mistral 建议使用批量推理服务，可将每页成本降低一半。

立即体验：交互式输出浏览器

下方嵌入的可视化内容展示了 OCR 4 的结构化输出。您可以在示例文档之间切换，开启或关闭边界框与区块类型，并打开置信度热力图。Markdown 和 JSON 选项卡并排显示了两种输出格式。示例数据仅供示意，并非实时 API 调用。

来源：MarkTechPost（RSS）· marktechpost.com

同一事件 · 2