Mistral OCR 4 發佈說明 / 有什麼新功能

Mistral AI 已宣布發佈 Mistral OCR 4，這是一款專為企業級文件智能設計的專業文件解析模型。該模型透過從簡單的文本轉換轉向文件的結構化表示，實現了文件提取的突破，並提供邊界框 (bounding boxes)、區塊分類 (block classification) 以及行內置信度分數 (inline confidence scores)。

技術能力與結構化輸出

OCR 4 將文件轉換為結構化數據。與專注於乾淨文本和表格的前幾代產品不同，OCR 4 為每個提取的元素提供以下元數據 (metadata)：

Bounding Boxes: 定位文本以進行上下文高亮顯示和可靠的數據管道。
Block Classification: 識別內容區塊的角色（例如：標題、表格、方程式、簽名）。
Confidence Scores: 生成每頁和每單詞的行內分數，以促進人工介入驗證 (human-in-the-loop verification) 和基於來源的引用。

這些結構化原語 (structural primitives) 允許下游系統不僅理解文件的內容，還能理解其空間佈局和每個元素的角色。這專門設計用於支持 RAG 的語義分塊 (semantic chunking)、代理工作流 (agentic workflows，例如表單填充和發票處理) 以及數據連接器的持續攝取。

性能與基準測試

Mistral AI 報告稱，OCR 4 在人類偏好和自動化基準測試中均優於領先的 OCR 和文件 AI 系統。

人類偏好評估

在針對 12 種以上語言的 600 多份文件的盲測排名中，獨立標註員更偏好 OCR 4 而非所有測試的領先系統，平均勝率為 72%。

自動化基準測試

OCR 4 在 OlmOCRBench (85.20) 獲得了最高總分，並在內部 Crawl Multilingual evaluation (.98) 中領先。它在 OmniDocBench 也獲得了 93.07 分。

Mistral AI 指出，由於基準測試評分工具中已知的限制（例如參考標註中的真值錯誤、等效的 LaTeX 數學符號、以及可能導致正確輸出被扣分的多欄位閱讀順序假設），這些自動化分數僅具備方向性而非決定性。

多語言支持

OCR 4 支持 170 種語言，涵蓋 10 個語言組，包括專業語言和低資源語言。根據內部評估，該模型在許多競爭系統性能下降的地方仍能保持高準確度。

部署與集成

OCR 4 是一款緊湊型模型，可以部署在單個容器中，允許企業客戶將文件數據保留在自己的基礎設施內，以符合數據駐留和合規性要求。

API 與文件 AI 選項

開發者可以透過單個 API 端點集成該模型，並提供兩種主要的用法模式：

Pure Extraction Mode: 提供原始提取的內容、邊界框、區塊類型和置信度分數。這是透過 Batch API 進行大批量攝取的最優選擇。
Document AI Capabilities: 透過添加特定參數，OCR 輸出會被饋送至 mistral-small-2603 以根據用戶定義的 schema 生成結構化 JSON，或使用視覺語言模型對圖像進行標註，或根據自定義提示詞 (prompt) 總結內容。

定價

OCR 4 API: 每 1,000 頁 $4 (對於 Batch-API 提供 50% 折扣，將成本降低至每 1,000 頁 $2)。
Document AI: 每 1,000 頁 $5。

生態系統與可用性

OCR 4 與 Mistral Search Toolkit 集成，這是一個開源的可組合搜索框架。它作為一個攝取組件，為 RAG 和企業搜索管道提供準備好用於引用的輸入。

該模型可透過 Mistral Studio、Amazon SageMaker、Microsoft Foundry 使用，並將很快在 Snowflake Parse Document 上可用。企業客戶亦可選擇自託管選項。