Mistral OCR リリースノート

Mistral AIは、複雑なデジタル化された文書を構造化されたAI対応フォーマットに変換するために設計された、光学文字認識（OCR）APIであるMistral OCRを導入しました。テキストと画像が混在する文書から高精度に情報を抽出することで、Mistral OCRは、科学論文、スライド、複雑なPDFなどのマルチモーダルな文書を、Retrieval-Augmented Generation（RAG）システムに統合することを可能にします。

高精度な文書理解

Mistral OCRは、数式、表、混在する画像、およびLaTeXフォーマットを含む、複雑な文書要素の最先端の理解能力を提供します。このモデルは、チャート、グラフ、数式が混在する科学論文のようなリッチな文書を扱うように特別に設計されており、コンテンツを順序立てて混在するテキストと画像（例：Markdownファイル）として出力します。

パフォーマンス・ベンチマーク

Mistral OCR 2503は、文書分析の複数の次元において、いくつかの主要なOCRモデルを凌駕しています。出版論文やWeb PDFを使用した内部の「テキストのみ」テストにおいて、Mistral OCRは測定されたすべてのカテゴリで最高スコアを達成しました：

Model	Overall	Math	Multilingual	Scanned	Tables
Mistral OCR 2503	94.89	94.29	89.55	98.96	96.12
Gemini-1.5-Flash-002	90.23	89.11	86.76	94.87	90.48
GPT-4o-2024-11-20	89.77	87.55	86.00	94.58	91.70
Azure OCR	89.52	85.72	87.52	94.65	89.52
Google Document AI	83.42	80.29	86.42	92.77	78.16

多言語対応能力

Mistral OCRはネイティブに多言語対応しており、数千の文字、フォント、言語を解析・転写することが可能です。Azure OCR (97.31)、Gemini-2.0-Flash-001 (96.53)、および Google-Document-AI (95.88) と比較して、優れた「Fuzzy Match in Generation」パフォーマンス (99.02) を示しています。

Mistral OCR 2503の特定の言語ベンチマークは以下の通りです：

Spanish (es): 99.54
German (de): 99.51
Portuguese (pt): 99.42
Italian (it): 99.42
French (fr): 99.20
Ukrainian (uk): 99.29
Russian (ru): 99.09
Hindi (hi): 97.55
Chinese (zh): 97.11
Turkish (tr): 97.00
Romanian (ro): 98.79

技術的特徴とデプロイメント

高速性とスループット

Mistral OCRは軽量に設計されており、単一ノードで毎分最大2,000ページを処理することが可能です。

Doc-as-Promptと構造化出力

このAPIは「doc-as-prompt」をサポートしており、ユーザーが特定の指示を与えて、文書から情報をJSONのような構造化フォーマットに抽出することを可能にします。これにより、抽出されたデータを後続の関数呼び出しに繋げたり、AIエージェントを作成したりすることが可能になります。

利用可能性と価格設定

API: mistral-ocr-latest モデルは la Plateforme を通じて利用可能で、価格は1,000ページあたり$1です。また、バッチ推論を使用することで、1ドルあたり約2倍のページ数を処理できます。
Le Chat: Mistral OCRは、Le Chatのユーザーにとっての文書理解のデフォルトモデルです。
Self-Hosting: 機密性の高い情報や分類された情報を扱う組織向けに、オンプレミスでのデプロイメントが選択的に提供されます。

主なユースケース

科学研究: ジャーナルや論文をAI対応フォーマットに変換し、コラボレーションとワークフローを加速させます。
文化遺産: 歴史的な文書や遺物をデジタル化し、保存と一般公開を可能にします。
カスタマーサービス: マニュアルやドキュメントを、インデックス化されたナレッジベースに変換して、応答時間を短縮します。
専門的な文献: 設計図、規制当局への提出書類、講義ノートを、回答可能なフォーマットに変換します。