Mis on Mistral OCR 3?
Mistral OCR 3 on Mistral AI pakutav spetsialiseeritud dokumentide mõistmise mudel. Selle kanooniline API mudelitunnus on mistral-ocr-2512. See võtab vastu toetatud dokumente, näiteks PDF-faile ja pilte, ning eraldab neist teksti ja manustatud pildid masinloetavasse vormingusse.
Erinevalt üldotstarbelisest keelemudelist keskendub OCR 3 visuaalselt vormindatud dokumentide muundamisele kasutatavaks andmeks. Selle väljund võib säilitada dokumendi struktuuri Markdownis ning esitada keerukaid tabeleid HTML-vormingus. Seetõttu sobib mudel süsteemidele, mis peavad äri- ja arhiividokumentide sisu otsima, indekseerima, klassifitseerima või edasi töötlema.
Mudel avaldati 17. detsembril 2025. Mistral AI praeguses kataloogis on OCR 4 uuem OCR-mudel, samal ajal kui OCR 3 on olemasolevate integratsioonide ja tootmiskoormuste jaoks endiselt saadaval. See muudab OCR 3 eriti asjakohaseks juhul, kui rakendus sõltub juba tunnusest mistral-ocr-2512 või vajab ühilduvust olemasoleva OCR 3 juurutusega.
Milles OCR 3 kõige tugevam on
OCR 3 on loodud dokumentide jaoks, mille töötlemine on lihtsatele tekstituvastussüsteemidele keeruline. Mistral kirjeldab võrreldes eelmise OCR-põlvkonnaga täiustusi vormide, käsitsi kirjutatud sisu, halva kvaliteediga skannide ja keerukate tabelite töötlemisel.
- Vormid: see suudab tõlgendada trükitud vorme ja neile lisatud märkmeid, toetades töövooge, kus tuleb siduda sildid, väljad ja käsitsi kirjutatud vastused.
- Käsikiri: mudel on mõeldud kursiivkirja ja käsitsi kirjutatud märkmete töötlemiseks, sealhulgas juhul, kui kiri paikneb trükitud materjali kõrval.
- Skannitud dokumendid: mudel on loodud töötama viltuste lehtede, tihendusartefaktide, madala eraldusvõimega skannide ja taustamüraga, mis võivad lihtsamate OCR-süsteemide täpsust vähendada.
- Tabelid: see suudab taastada päised, ühendatud lahtrid, mitmerealised jaotised ning veergude hierarhiad. HTML-väljund võib kasutada selliseid elemente nagu
colspanjarowspan, et säilitada lahtritevahelised seosed. - Manustatud pildid: OCR-tulemused võivad sisaldada viiteid lähte dokumendis olevatele piltidele, selle asemel et käsitleda faili ainult lihtsa tekstina.
Need võimalused on olulised, sest dokumendi tähendus sõltub sageli paigutusest. Tabeli veergude hierarhia, trükitud sildi kõrval olev käsitsi kirjutatud väärtus või vormile lisatud märkus võib kaduma minna, kui leht taandatakse lihtsalt sõnade jadaks.
Sisendid, väljundid ja struktureeritud eraldamine
Dokumenteeritud sisenditüübid on PDF-failid ja pildid. OCR 3 eraldab nendest dokumentidest teksti ja manustatud pildid. Selle peamine väljund on dokumendi sisu, mitte loodud pildid, kõne, video ega vestluslikud vastused.
Standardsed tulemused saab tagastada struktureeritud Markdownina. Markdown on kasulik siis, kui eesmärk on luua otsitavaid või loetavaid dokumendiesitusi, säilitades pealkirjad, lõigud, loendid ja muu põhistruktuuri. Keerukate tabelite puhul võib HTML-esitus säilitada ühendatud lahtrid ja üksikasjalikumad seosed paremini kui lihttekst või lihtsustatud Markdown.
OCR API toetab ka annotatsioonipõhiseid töövooge. Nende abil saab taotleda struktureeritud eraldamist JSON-objektina või JSON Schema alusel. Praktikas saab rakendus kasutada OCR 3 mitte ainult dokumendi ümberkirjutamiseks, vaid ka selliste väljade nagu arve number, kuupäev, tarnija või kogusumma taotlemiseks prognoositavas struktuuris. Esitatud uuring ei täpsusta maksimaalset konteksti pikkust ega maksimaalset väljundi märgendite limiiti, mistõttu ei tohiks väga suurte dokumentide töötlemisel neid väärtusi eeldada.
Hinnakujundus ja API-juurdepääs
Mistral OCR 3 on saadaval Mistrali OCR API kaudu ning Mistral AI Studio Document AI liidese kaudu. Dokumenteeritud standardhind on 2 dollarit 1000 lehekülje kohta. Peamine hinnastamisühik on lehekülg, mitte sisendi- ja väljundmärgendid, mistõttu on suure mahuga dokumenditöötluse kulusid suhteliselt lihtne prognoosida.
Annotatsioonitöötluse dokumenteeritud hind on 3 dollarit 1000 annoteeritud lehekülje kohta. Mistrali turuletoomise teadaandes kirjeldatakse standardtöötluse puhul ka Batch API 50% allahindlust, mis vähendab standardse pakktöötluse hinna ligikaudu 1 dollarini 1000 lehekülje kohta. Need hinnad käivad dokumenteeritud OCR-töötlusrežiimide kohta; tegelik kulu sõltub lehekülgede arvust ning sellest, kas kasutatakse annotatsiooni- või pakktöötlust.
Esitatud uuringus ei tuvastata OCR 3 jaoks eraldi tellimuspaketti, tasuta kasutusmahtu, konteksti limiiti ega väljundlimiiti. Seetõttu peaksid ostjad enne tootmiskeskkonda migreerimise kulu hindamist kontrollima Mistrali dokumentatsioonist kehtivaid API-arvelduse üksikasju ja tööpiiranguid.
Võimalused ja kompromissid
| Valdkond | Mida toetatakse või mida on teada |
|---|---|
| Põhiülesanne | Dokumentide OCR ja dokumentide mõistmine |
| Dokumendi sisendid | PDF-failid ja pildid |
| Tekstiväljund | Jah, sealhulgas struktureeritud Markdown |
| Manustatud pildid | OCR-tulemustes eraldatud või viidatud |
| Struktureeritud väljund | JSON-objekti ja JSON Schema annotatsioonirežiimid |
| Tabelid | Keerukate tabelite taastamine, sealhulgas HTML-i seosed, näiteks ühendatud lahtrid |
| Heli ja video | Dokumenteeritud OCR-sisendite ega -väljunditena ei toetata |
| Tööriistade kasutamine | Selle mudeli puhul ei ole dokumenteeritud üldotstarbelist tööriista- ega funktsioonikutsete võimekust |
| Peenhäälestus | Esitatud uuringus ei ole seda toetatud funktsioonina dokumenteeritud |
| Voogedastus | Toetus ei ole dokumenteeritud |
| Arutlemine ja programmeerimine | Ei ole mõeldud avatud tüüpi arutlemiseks ega tarkvaraarenduseks |
Uuring hindab OCR 3 arutlusvõimet üldise arutlemise puhul madalaks ja programmeerimisvõimet väga madalaks. Need on toimetuslikud hinnangud, mitte teenusepakkuja avaldatud võrdlustulemused. Need kajastavad mudeli kitsast eesmärki: see suudab tõlgendada dokumendi struktuuri ja eraldada teavet, kuid seda ei tohiks valida üldiseks arutlus- või programmeerimismudeliks.
Samuti hindab esitatud toimetuslik skoor OCR 3 kiirust ja kulutõhusust kõrgelt. Neid skoore ei tohiks käsitleda teenusepakkuja mõõdetud võrdlustulemustena. Konkreetsed kulud põhinevad Mistrali avaldatud leheküljepõhisel hinnal, samal ajal kui tegelik töötlemiskiirus sõltub dokumendi suurusest, töökoormusest, API tingimustest ja valitud töötlusrežiimist.
Praktilised kasutusjuhud
OCR 3 sobib hästi olukordadesse, kus peamine ülesanne on muuta visuaalselt keerukad dokumendid andmeteks, mida mõni teine süsteem saab kasutada. Sobivad rakendused on muu hulgas:
- Skannitud äri-, ajaloo- ja arhiividokumentide digiteerimine.
- Arvete, kviitungite ja ostutellimuste andmeväljade eraldamine.
- Kindlustus-, vastavus-, õigus- ja haldusvormide töötlemine.
- Trükitud dokumentidel olevate käsitsi kirjutatud vastuste ja märkmete lugemine.
- Tehniliste ja teaduslike PDF-failide muutmine otsitavaks Markdowniks.
- Keerukate tabelite säilitamine analüütika või järgnevaks andmete eraldamiseks.
- Dokumentide ettevalmistamine otsinguga täiendatud genereerimiseks, ettevõtteotsinguks ja tehisintellekti agentide töövoogudeks.
Näiteks võiks ostuarvete töötlemise töövoog saata arvelehed OCR 3-le, säilitada arve tabelistruktuuri ning taotleda JSON-annotatsiooni, mis sisaldab tarnijat, arve numbrit, ridu, maksu ja kogusummat. Dokumendihaldussüsteem võiks selle asemel kasutada skannitud dokumentide indekseerimiseks Markdown-väljundit, säilitades samal ajal viited manustatud piltidele.
Piirangud ja praegune staatus
OCR 3 ei ole üldotstarbeline keelemudel. See ei sobi tavavestluseks, autonoomseteks agentideks, piltide genereerimiseks, kõnetöötluseks, video genereerimiseks ega üldiseks programmeerimisabiks. Selle väljund on eraldatud või struktureeritud dokumendisisu, mistõttu peaksid rakendused olulised väljad enne nende kasutamist finants-, õigus-, meditsiini- või vastavusotsuste tegemisel valideerima.
Esitatud uuringus avaldatud konteksti pikkuse või maksimaalse väljundi spetsifikatsiooni puudumine on samuti oluline. Väga pikki dokumente töötlevad meeskonnad peaksid kavandatud API-töövooga testima lehekülgede limiite, päringu suurust, väljundi käitumist ja tõrgete käsitlemist, selle asemel et eeldada, et kogu dokumendi saab alati ühe päringuga töödelda.
OCR 3 praegust staatust Mistrali OCR-i tootevalikus võib kõige paremini kirjeldada kui ühilduvusele keskenduvat või pärandmudelit. Mistral nimetab OCR 4 uuemaks mudeliks ning ettevõte on teatanud ka OCR 4.1-st. Uute projektide puhul tuleks praeguseid OCR-mudeleid võrrelda OCR 3-ga täpsuse, toetatud funktsioonide, hinna ja migratsiooninõuete alusel. Olemasolevad tootmissüsteemid võivad siiski eelistada OCR 3, kui stabiilsus tunnuse mistral-ocr-2512 ümber on olulisem kui kohe uuemale versioonile üleminek.
Millal valida Mistral OCR 3
Vali OCR 3 siis, kui vajad leheküljepõhist dokumendist eraldamist ning sinu dokumendid sisaldavad vorme, käsikirja, halva kvaliteediga skanne või tabeleid, mille paigutus on oluline. See on eriti mõistlik juhul, kui olemasolev integratsioon kasutab juba tunnust mistral-ocr-2512, kui prognoositav leheküljehinna põhine eelarvestamine on kasulik või kui vajad samas dokumenditöövoos Markdowni, HTML-tabelite taastamist ja struktureeritud JSON-annotatsiooni.
Vali uuem OCR-i lahendus, sealhulgas Mistrali OCR 4 põlvkond, kui alustad uut juurutust ning uuem mudel pakub sinu dokumentidele paremat tuge või soodsamat praegust hinna ja saadavuse kombinatsiooni. Vali selle asemel üldotstarbeline keelemudel, kui peamine vajadus on vestlus, koodi genereerimine, laiapõhjaline arutlemine või tööriistade abil ülesannete täitmine, mitte dokumentidest teabe eraldamine.
Lühidalt öeldes tuleks OCR 3 hinnata kui keskendunud dokumenditöötluse komponenti. Selle väärtus tuleneb keeruka lehesisu äratundmisest ja kasuliku struktuuri säilitamisest, mitte üldistele tehisintellektimudelitele omastest laialdastest interaktiivsetest võimalustest.