Mistral AI új OCR-modellje strukturált kimenetet ad, nem csak szöveget

A Mistral AI bemutatta legújabb dokumentum-megértő modelljét, az OCR 4-et. Az új kiadás a szövegen túl vizuális információkat is visszaad: megadja a szövegelemek helyét (bounding box), azok típusát (pl. cím, táblázat, képlet) és szavankénti konfidenciaszintet. A modell 170 nyelvet támogat, és egyetlen konténerben futtatható, ami önálló, helyszíni telepítést tesz lehetővé.

Az OCR 4 a korábbi verzióktól eltérően nem csak tiszta szöveget és táblázatokat állít elő, hanem a dokumentum teljes strukturált reprezentációját. Ez a mélyebb kontextus létfontosságú a hivatkozások, a bizalmas adatok kitakarása és az emberi ellenőrzés szempontjából. A modell olyan vállalati formátumokat fogad el, mint a PDF, DOC, PPT és OpenDocument.

Kapcsolódó: Hardveresen hatékony modellek

Mérföldkő a dokumentumfeldolgozásban

A Mistral AI független tesztelőkkel hasonlíttatta össze az OCR 4-et más AI-alapú OCR-modellekkel, általános célú LLM-ekkel és vállalati dokumentumszolgáltatásokkal. Az eredmények alapján az OCR 4 72%-os átlagos győzelmi arányt ért el a tesztelt rendszerekkel szemben. Automatikus benchmarkokon is kiemelkedő eredményeket produkált: 85,20-at az OlmOCRBench-en és 93,07-et az OmniDocBench-en.

Kapcsolódó: Mistral Large 3

RAG és ügynök-alapú rendszerekhez optimalizálva

A strukturált kimenet, beleértve a blokktípusokat és a konfidenciaszinteket, jelentősen javítja a dokumentumok lekérdezhetőségét RAG (Retrieval-Augmented Generation) és ügynök-alapú rendszerekben. Az ügynökök a dokumentumok olvasása helyett azok tartalmán tudnak cselekedni, például automatikusan kitölteni űrlapokat. Az OCR 4 a Mistral Search Toolkit nyílt forráskódú keresési keretrendszerének része is, amely idézet-képes bemenetet biztosít a lekérdezési és értékelési munkafolyamatokhoz.

Kapcsolódó: Beszédszintetizáló modell

A modell két fő üzemmódban érhető el: Pure Extraction Mode, amely nyers, strukturált adatokat ad vissza, és Document AI Mode, amely a kimenetet egy általunk definiált sémára alakítja. Az API árazása 4 dollár/1000 oldal, ami a Batch-API kedvezménnyel 2 dollárra csökkenhet. A Mistral OCR 4 2026. június 23-án jelent meg.

Kapcsolódó: Szövegfelolvasó modell