Mistral OCR 4 发布说明

Mistral OCR 4 发布说明

Mistral OCR 4 是一款最先进的文档智能模型，旨在从复杂文档中提取并结构化内容。它提供文档的结构化表示——包括边界框、块分类和置信分数——使其成为检索增强生成（RAG）、企业搜索和代理工作流的关键摄取组件。

结构化文档表示

Mistral OCR 4 超越了简单的文本提取，提供文档的完整结构映射。每个提取的块都伴随有：

  • 边界框：定位文本以实现上下文高亮和可靠的数据管道。
  • 类型块分类：识别标题、表格、公式、签名等元素。
  • 行内置信分数：按页和按词生成，便于人机交互的验证和脱敏。

这种结构化输出使下游系统不仅能理解文本内容，还能了解空间布局以及每个元素在文档中的功能角色。

性能与基准

Mistral OCR 4 在多个基准和人工评估中超越了领先的 AI 原生和企业 OCR 系统。

人类偏好与公开基准

独立标注员在所有测试竞争对手中更倾向于 OCR 4，平均胜率为 72%。在公开基准中，它取得了 85.20（OlmOCRBench） 和 93.07（OmniDocBench） 的最高总体得分。

多语言能力

OCR 4 支持 170 种语言，覆盖 10 个语言组。它在稀有和低资源语言（包括格鲁吉亚语、亚美尼亚语和卡纳达语）上表现出显著的性能提升，而竞争系统通常会出现性能下降。

基准局限性

Mistral 指出，聚合得分应视为方向性参考。可能导致正确输出被扣分的常见计分缺陷包括：

  • 真实标签错误：基准中的参考标注不正确。
  • 等价数学表示：不同的 LaTeX 字符串渲染结果相同。
  • 公式分割：表达式被拆分为片段的方式不同。
  • 多列阅读顺序：跨列边界的单词分割带来的挑战。

部署与集成选项

OCR 4 设计灵活，支持 API 访问和自托管环境，以满足数据主权需求。

API 与 Document AI

开发者可以通过两种主要模式使用 OCR 4 API：

  1. 纯提取模式：返回原始提取内容、边界框和块类型。适用于大批量批处理摄取和自定义下游逻辑。
  2. Document AI 模式：在 OCR 引擎之上叠加额外能力。通过传入 JSON 架构或自定义提示，用户可以返回结构化 JSON（通过 mistral-small-2603）或使用视觉语言模型对图像进行标注。

基础设施与定价

OCR 4 足够轻量，可在单个容器中运行，帮助企业客户将数据保留在自有基础设施内。

定价结构：

  • OCR 4 API：每 1,000 页 $4。
  • 批量 API：每 1,000 页 $2（5 折优惠）。
  • Document AI：每 1,000 页 $5。

推荐使用场景

Mistral OCR 4 针以下生产工作流进行了优化：

  • RAG 的语义分块：使用分类块作为检索单元，提高准确性。
  • 代理工作流：使代理能够执行表单填写、发票处理和合规检查。
  • 企业搜索：作为自定义摄取和实体抽取的数据源组件。
  • 结构化数据管道：利用置信分数触发高风险脱敏或财务抽取的人类验证。

OCR 4 已与 Mistral Search Toolkit 集成，这是一个用于 RAG 和企业搜索摄取与评估的开源框架。

Sources