Mis on Mistral OCR 4.1?
Mistral OCR 4.1 on Mistral AI praegune spetsialiseeritud optilise märgituvastuse (OCR) ja dokumentide mõistmise teenus. OCR tähendab dokumentides või piltidel sisalduva teksti teisendamist andmeteks, mida tarkvara saab otsida, indekseerida ja analüüsida või teisele süsteemile edastada. OCR 4.1 ei piirdu ühe vormindamata tekstivoo tagastamisega, vaid on loodud säilitama dokumendi olulisi struktuurielemente.
Mudel võtab vastu dokumente ja pilte ning võib tagastada eraldatud teksti, Markdowni, tabeleid, lõigutaseme piirivaateid, struktuursete plokkide silte ja usaldusskoore. Piirivaade näitab, kus eraldatud element lehel paikneb. Struktuursed sildid näitavad, mida plokk tähistab, näiteks pealkirja, lõiku, tabelit, loendit, võrrandit, pilti, pildiallkirja, koodiplokki, viidet, päist, jalust või allkirja.
Selle kanooniline API-identifikaator on mistral-ocr-4-1. Mistrali muudatuste logi kohaselt viitavad mistral-ocr-latest ja mistral-ocr-4 OCR 4.1-le. Mistral avaldas mudeli 16. juulil 2026 ja märkis selle 31. augustil 2026 üldiselt kättesaadavaks. Mistrali praeguses kataloogis on see loetletud uusima OCR-mudelina.
Millist teavet see eraldab?
OCR 4.1 on kasulik siis, kui teksti asukoht ja roll on sama olulised kui sõnad ise. Näiteks saab dokumendi impordisüsteem käsitleda pealkirja jalusest erinevalt, säilitada tabeli tabelina või tuvastada allkirjaploki hilisemaks ülevaatuseks.
- Tekst: Toetatud PDF-idest ja piltidest eraldatud sisu.
- Küljendus: Lõigutaseme piirivaated ja lehe tasandi struktuur.
- Struktuursed plokid: Teksti, pealkirjade, loendite, tabelite, piltide, võrrandite, pildiallkirjade, koodi, viidete, päiste, jaluste ja allkirjade sildid.
- Tabelid: Tabelite eraldamine toetatud Markdowni- või HTML-vormindusvalikutega.
- Usaldusväärtus: Usaldusskoore saab tagastada lehe, ploki või sõna täpsusega.
- Struktureeritud märkused: Masinloetav väljund järgnevate dokumenditöötlussüsteemide jaoks.
Need omadused muudavad OCR 4.1 struktureeritud eraldamiseks sobivamaks kui lihtne skannerilaadne OCR-tööriist, mis toodab ainult vormindamata teksti. Väljundi tegelik kasulikkus sõltub dokumendi kvaliteedist, küljendusest, keelest ja sellest, kuidas väljundit kasutav rakendus eraldatud andmeid valideerib.
OCR 4.1 koht Mistral AI tootevalikus
OCR 4.1 on Mistral AI Document AI ja API ökosüsteemi spetsialiseeritud mudel. See ei ole üldotstarbeline vestlusmudel, kodeerimismudel ega autonoomne agent. Selle eesmärk on teisendada visuaalsed dokumendid tekstiks ja struktureeritud dokumendiandmeteks, mida saab seejärel otsida, talletada, üle vaadata või teisele mudelile edastada.
OCR 4.0 ja OCR 3 jäävad eraldi kataloogikirjeteks, kuid kaasasoleva Mistrali dokumentatsiooni kohaselt on OCR 4.1 uute integratsioonide jaoks praegune kanooniline versioon. Seetõttu tuleks seda käsitleda pigem dokumendiimpordi komponendina kui üldise Mistrali keelemudeli asendusena.
Sisendid, väljundid ja tehnilised võimalused
| Valdkond | Kinnitatud teave |
|---|---|
| Sisenditüübid | Dokumendid ja pildid, sealhulgas PDF- ja pildisisendid |
| Väljunditüübid | Eraldatud tekst, Markdown, tabelid, struktuursed märkused, piirivaated ja usaldusskoorid |
| Väljundi modaalsus | Tekst ja struktureeritud andmed; see ei genereeri pilte, heli ega videot |
| Konteksti pikkus | Kaasasolevas dokumentatsioonis ei ole seda esitatud tavapärase keelemudeli konteksti spetsifikatsioonina |
| Maksimaalne väljundtokenite arv | Seda ei ole määratud tavapärase tokenipiiranguna |
| Tööriistade või funktsioonide kasutamine | See ei ole tööriistakutsete ega üldotstarbeline agendimudel |
| Pakktöötlus | OCR API toetab seda |
| Peenhäälestus | Kaasasolevas uurimuses ei ole seda kinnitatud |
Mudeli struktureeritud JSON-i võimalust ei tohiks segi ajada üldotstarbelise funktsioonikutsumisega. OCR API toetab JSON-i ja struktureeritud JSON-skeemi valikuid OCR-tulemuste korraldamiseks, kuid kaasasolev uurimus ei kinnita, et OCR 4.1 suudaks iseseisvalt teha suvalisi väliseid toiminguid või kutsuda tööriistu.
Samuti on tähenduslik tavapärase kontekstiakna või maksimaalse väljundtokenite arvu puudumine. OCR 4.1 hinnastatakse ja dokumenteeritakse lehepõhise dokumenditeenusena, mitte tokenipõhise vestlusmudelina. Suuri faile töötlevad rakendused peaksid praktiliste faili-, lehe- ja vastusepiirangute kindlakstegemiseks lähtuma Mistrali kehtivast API-dokumentatsioonist ja korraldama oma testid.
Hinnastus ja töötlemise ökonoomika
Mistral märgib OCR 4.1 API tavahinnaks 4 dollarit 1000 lehekülje kohta. Vahemällu salvestatud sisendi hinnaks on märgitud 0,40 dollarit 1000 lehekülje kohta. Mistral esitab Document AI kasutuse hinnana eraldi 5 dollarit 1000 annoteeritud lehekülje kohta. Need on erinevad hinnaviited, seega sõltub kohaldatav kulu sellest, kas rakendus kasutab tavalist OCR-töötlust või Document AI annoteerimisfunktsioone.
Mistrali OCR-i tutvustavates materjalides öeldakse, et pakktöötlusele kehtib 50% allahindlus. Selle põhjal oleks API tavahind sobiva pakktöötluse korral ligikaudu 2 dollarit 1000 lehekülje kohta. Pakettöötluse hinnad tuleks enne tootmiseelarve koostamist üle kontrollida kehtivast hinnastusdokumentatsioonist.
Lehepõhist hinnastust on regulaarse dokumendiimpordi puhul lihtsam prognoosida kui tokenipõhist hinnastust, eriti arvete, arhiivide, vormide või suurte PDF-kogumike töötlemisel. Projekti kogukulu võivad siiski suurendada ka salvestus, korduskatsed, valideerimine, järgnevate mudelite kutsed ja käsitsi ülevaatus. Seetõttu tuleks OCR 4.1 hinda hinnata ühe osana terviklikust dokumenditöötlusvoost.
Peamised tugevused
- Säilitab dokumendi struktuuri: Sildid, tabelid, küljenduse koordinaadid ja muud märkused võivad olla kasulikumad kui lihtne tekstiline transkriptsioon.
- Sobib imporditöövoogudesse: Pakettöötluse tugi ja lehepõhine hinnastus sobivad suuremahulise indekseerimise ja dokumenditöötluse töökoormustega.
- Kasulik usaldusväärtus: Lehe-, ploki- või sõnataseme skoorid aitavad rakendustel suunata ebakindlad tulemused ülevaatusele.
- Toetab visuaalseid dokumente: PDF-id ja pildid saab teisendada otsingu, otsingu-põhise genereerimise, klassifitseerimise ja analüüsi jaoks sobivateks andmeteks.
- Ühildub järgnevate süsteemidega: Struktureeritud väljundit saab kasutada ettevõtteotsingus, otsingu-põhises genereerimises, vastavustööriistades ja töövoogude automatiseerimisel.
Need tugevused on kõige olulisemad siis, kui rakendus peab teadma mitte ainult seda, mida dokument ütleb, vaid ka seda, kuidas sisu on korraldatud ja kus see paiknes.
Piirangud ja kompromissid
OCR 4.1 ei ole mõeldud avatud vestluste pidamiseks, tarkvara kirjutamiseks, üldiseks arutlemiseks, piltide genereerimiseks, heli töötlemiseks ega video mõistmiseks. Neid võimalusi vajav süsteem vajab OCR 4.1 kõrval või selle asemel mõnda teist mudelit.
Kaasasolev mudelidokumentatsioon ei esita tavapärast konteksti pikkust ega maksimaalset väljundtokenite arvu. Seetõttu ei tohiks eeldada, et suvalise dokumendi saab ühe päringuna esitada, kontrollimata kehtivaid API piiranguid. Suurte failidega töövoogudes tuleb arvestada lehtede käsitlemise, vastuse suuruse, korduskatsete ja valideerimisega.
OCR-väljund tuleks üle vaadata ka siis, kui täpsus on oluline. Tabelid, ebatavaline küljendus, halva kvaliteediga skannid, käsikiri, templid, allkirjad, võrrandid ja visuaalselt keerukad lehed võivad vajada rakenduse tasandi valideerimist või inimese kontrolli. Usaldusskoorid aitavad ülevaatust tähtsuse järjekorda seada, kuid ei taga, et iga eraldatud väli on õige.
Lõpuks on selle kirje juurde kuuluvad toimetuslikud hinded võrdlevad hinnangud, mitte Mistrali avaldatud võrdlustulemused. Kaasasolev uurimus annab OCR 4.1-le oma kategoorias suhteliselt kõrge kiiruse- ja kuluhinde, kuid neid hindeid ei tohiks tõlgendada standardiseeritud jõudlusmõõtmistena.
Parimad kasutusjuhud
OCR 4.1 sobib hästi töövoogudesse, mis algavad visuaalsete dokumentidega ja lõpevad otsitavate või struktureeritud andmetega. Praktilised näited on järgmised:
- PDF-arhiivide indekseerimine ettevõtteotsingu jaoks.
- Dokumendikogumike ettevalmistamine otsingu-põhiseks genereerimiseks.
- Arvetelt väljade eraldamine ja arvete tabelite säilitamine.
- Lepingute töötlemine klauslite, pealkirjade ja viitejaotiste leidmiseks.
- Vormide, aruannete, juhendite ja ajalooliste dokumentide digiteerimine.
- Vastavusdokumentide suunamine automaatseks või käsitsi ülevaatuseks.
- Allkirjade, võrrandite, pildiallkirjade, päiste ja jaluste tuvastamine.
- Dokumendisisu edastamine agentidele või äriprotsessidele, mis vajavad tüübistatud struktuuri.
Näiteks võiks lepingutöötluse voog kasutada OCR 4.1, et tuvastada lõigud, pealkirjad, tabelid ja lehekoordinaadid, ning edastada saadud teksti ja märkused eraldi keelemudelile klauslite analüüsimiseks. Sellise lahenduse puhul tegeleb OCR 4.1 dokumendi eraldamisega, teine mudel aga tõlgendamisega.
Millal valida OCR 4.1?
Vali OCR 4.1 siis, kui põhiprobleem on PDF-ide või piltide teisendamine struktureeritud, otsitavaks ja masinloetavaks sisuks. See on eriti atraktiivne juhul, kui lehepõhine hinnastus, pakktöötlus, piirivaated, struktuursed sildid ja usaldusskoorid on olulisemad kui vestluslik suhtlus.
Vali selle asemel üldotstarbeline keelemudel siis, kui sisend on juba puhas tekst ning peamine ülesanne on arutlemine, tekstide koostamine, kodeerimine, planeerimine või dialoog. Vali laiemate arutlusvõimalustega nägemis-keelemudel siis, kui rakendus peab pilte vestluslikus töövoos tõlgendama, mitte peamiselt dokumendi struktuuri eraldama. Vali spetsialiseeritud järgnev süsteem siis, kui reguleeritud töövoog nõuab valdkonnaspetsiifilist valideerimist, mida OCR üksi ei paku.
Paljude tootmissüsteemide jaoks ei ole kõige sobivam lahendus valida ainult ühe võimaluse vahel. OCR 4.1 võib toimida esimese etapina: eraldada ja struktureerida dokument, valideerida ebakindlad väljad ning saata saadud sisu eraldi mudelile või äriprotsessile otsingu, kokkuvõtete, klassifitseerimise või otsustoe jaoks.
Kokkuvõte
Mistral OCR 4.1 on lehepõhise hinnastusega OCR-i ja dokumentide mõistmise teenus, mis keskendub PDF-idest ja piltidest struktureeritud teabe eraldamisele. Selle eripärane väärtus seisneb teksti eraldamise, küljenduse koordinaatide, plokitüüpide, tabelivorminduse ja usaldusväärtuse ühendamises. See on praktiline valik dokumentide importimiseks, otsinguks, RAG-i ettevalmistamiseks, vormide, arvete, lepingute ja arhiividega töötamiseks, kuid seda ei tohiks käsitleda üldotstarbelise vestlus-, kodeerimis-, arutlus- ega agendimudelina. Tavapärase konteksti ja väljundtokenite piirangute dokumenteerimata jätmine tähendab samuti, et rakendusmeeskonnad peaksid enne suurte dokumendimahtude kavandamist kehtivad API piirangud üle kontrollima.