Mistral OCR 發佈說明

Mistral AI 推出了 Mistral OCR，這是一款光學字元辨識 (OCR) API，旨在將複雜的數位化文件轉換為結構化、AI 就緒的格式。透過高精度地提取交錯的文本與圖像，Mistral OCR 能夠將多模態文件（例如科學論文、簡報和複雜的 PDF）整合到檢索增強生成 (RAG) 系統中。

高精度文件理解

Mistral OCR 提供對複雜文件元素的頂尖理解能力，包括數學表達式、表格、交錯的圖像以及 LaTeX 格式。該模型專門設計用於處理包含圖表、圖形和方程式的豐富文件（如科學論文），並將內容輸出為有序的交錯文本與圖像（例如，輸出為 Markdown 檔案）。

性能基準測試

Mistral OCR 2503 在文件分析的多個維度上優於數款領先的 OCR 模型。在針對出版論文和網頁 PDF 的內部「僅限文本」測試中，Mistral OCR 獲得了所有衡量類別中的最高分：

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

多語言能力

Mistral OCR 原生支持多語言，能夠解析並轉錄數千種文字、字體和語言。與 Azure OCR (97.31)、Gemini-2.0-Flash-001 (96.53) 和 Google-Document-AI (95.88) 相比，它展現了卓越的「生成中的模糊匹配 (Fuzzy Match in Generation)」性能 (99.02)。

Mistral OCR 2503 的特定語言基準測試包括：

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

技術特性與部署

速度與吞吐量

Mistral OCR 設計輕量化，允許單個節點每分鐘處理多達 2,000 頁。

Doc-as-Prompt 與結構化輸出

該 API 支持「doc-as-prompt」，允許用戶提供特定指令以從文件中提取資訊並轉換為 JSON 等結構化格式。這使得提取的數據可以鏈接到下游的函數調用並用於創建 AI 代理 (AI agents)。

可用性與定價

API: mistral-ocr-latest 模型可透過 la Plateforme 使用，費用為每 1,000 頁 1 美元，透過批次推理 (batch inference) 使用時，每美元可獲得約兩倍的頁數。
Le Chat: Mistral OCR 是 Le Chat 用戶的文件理解默認模型。
Self-Hosting: 對於擁有高度敏感或機密資訊的組織，可根據需求提供本地部署選項。

主要使用場景

科學研究: 將期刊和論文轉換為 AI 就緒的格式，以加速協作與工作流程。
文化遺產: 將歷史文件和文物數位化，以進行保存與公開存取。
客戶服務: 將手冊和文件轉換為索引化的知識庫，以減少回應時間。
專業文獻: 將工程圖紙、法規文件和講義轉換為可直接用於回答的格式。