Mistral OCR 发布说明

Mistral AI 推出了 Mistral OCR，这是一款光学字符识别（OCR）API，旨在将复杂的数字化文档转换为结构化、可供人工智能使用的格式。通过高精度提取交错的文本和图像，Mistral OCR 可将多模态文档（如科学论文、幻灯片和复杂 PDF 文件）集成到检索增强生成（RAG）系统中。

高精度文档理解

Mistral OCR 提供了对复杂文档元素（包括数学表达式、表格、交错图像和 LaTeX 格式）的业界领先理解能力。该模型专为处理包含图表、图形和方程式的丰富文档（如科学论文）而设计，能够以有序交错的文本和图像形式输出内容（例如，导出为 Markdown 文件）。

性能基准测试

Mistral OCR 2503 在多个文档分析维度上超越了多个主流 OCR 模型。在使用出版论文和网页 PDF 的内部“仅文本”测试中，Mistral OCR 在所有测量类别中均取得最高分：

模型	总体	数学	多语言	扫描文档	表格
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

多语言能力

Mistral OCR 原生支持多语言，能够解析和转录数千种脚本、字体和语言。其在“生成中的模糊匹配”方面表现优于 Azure OCR（97.31）、Gemini-2.0-Flash-001（96.53）和 Google-Document-AI（95.88），得分高达 99.02。

Mistral OCR 2503 的具体语言基准测试结果如下：

西班牙语 (es): 99.54
德语 (de): 99.51
葡萄牙语 (pt): 99.42
意大利语 (it): 99.42
法语 (fr): 99.20
乌克兰语 (uk): 99.29
俄语 (ru): 99.09
印地语 (hi): 97.55
中文 (zh): 97.11
土耳其语 (tr): 97.00
罗马尼亚语 (ro): 98.79

技术特性与部署

速度与吞吐量

Mistral OCR 设计轻量，可在单个节点上实现每分钟处理高达 2,000 页的速度。

文档即提示与结构化输出

该 API 支持“文档即提示”功能，允许用户通过提供具体指令，将文档中的信息提取为 JSON 等结构化格式。这使得提取的数据可被链式调用至下游函数，并用于构建 AI 代理。

可用性与定价

API： mistral-ocr-latest 模型可通过 la Plateforme 获取，价格为每 1,000 页 1 美元，通过批量推理可实现每美元约两倍的页数。
Le Chat： Mistral OCR 是 Le Chat 用户进行文档理解的默认模型。
自托管： 对于拥有高度敏感或机密信息的组织，可选择性提供本地部署。

主要应用场景

科学研究： 将期刊和论文转换为 AI 友好格式，以加速协作与工作流程。
文化遗产： 数字化历史文献与文物，用于保存和公众访问。
客户服务： 将手册和文档转换为索引知识库，以缩短响应时间。
专业文献： 将工程图纸、监管文件和讲义转换为可直接回答问题的格式。