TL;DR
- OCR 4 возвращает не только текст, но и координаты (bounding boxes), тип блока и confidence‑оценку для каждого слова.
- Поддержка 170 языков из 10 языковых групп, включая редкие и малоресурсовые.
- Независимые аннотаторы отдают предпочтение OCR 4 в 72 % тестов.
- Стоимость $4 за 1 000 страниц (при использовании Batch‑API – $2).
- Один эндпоинт обслуживает как «чистый» вывод, так и схематизированный Document AI.
Mistral OCR 4: что это и почему вам это нужно
OCR 4 – это модель «понимания» документов, а не просто сканер текста. Она выдаёт структуру всей страницы: типы блоков (заголовок, таблица, формула, подпись и т.п.), их местоположение и уровень уверенности модели. Такой «контекст» критичен, если вы хотите автоматически редактировать, индексировать или проверять документы.
Ключевые возможности
- Bounding boxes – координаты каждого блока позволяют подсвечивать текст в UI и точно извлекать данные из таблиц.
- Классификация блоков – модель помечает заголовки, абзацы, таблицы, формулы, подписи, рисунки.
- Confidence scores – как глобальная (по странице), так и по‑слову. Идеально для пайплайнов, где низкоуверенные фрагменты направляются человеку.
- Поддержка форматов – PDF, DOC, PPT, OpenDocument и др.
- Самостоятельный деплой – один контейнер, полностью закрытый для ваших данных.
Бенчмарки и реальные цифры
Сравнение с конкурентами показало средний win‑rate 72 % в пользу OCR 4. На публичных наборах:
- OlmOCRBench – 85.20
- OmniDocBench – 93.07
- Внутренний Crawl Multilingual – 0.98
Клиенты Rogo и Anaqua отмечают в 8‑10 раз снижение стоимости и в‑десять раз ускорение обработки по сравнению с прежними решениями.
Типичные сценарии применения
- Парсинг и извлечение данных: перевод многоязычного контракта в чистый markdown или JSON для индексации.
- RAG (Retrieval‑Augmented Generation): использование типизированных блоков в Mistral Search Toolkit для генерации ответов с источниками.
- Агентные воркфлоу: автоматическое заполнение форм на основе распознанных полей и их координат.
- Пайплайны с проверкой: направлять блоки с confidence < 0.9 в ручную валидацию, остальное – автопроход.
- Энтерпрайз‑поиск: построение индексов по всему архиву с учётом структуры (заголовки, таблицы, подписи).
Как пользоваться API
Базовый вызов возвращает markdown, bounding boxes и типы блоков. Чтобы получить confidence по слову, укажите confidence_scores_granularity="word". Пример на Python:
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.getenv("MISTRAL_API_KEY"))
response = client.ocr.process(
model="mistral-ocr-latest",
document={"type": "document_url",
"document_url": "https://example.com/file.pdf"},
include_blocks=True,
confidence_scores_granularity="word"
)
Ответ – массив pages, каждый элемент содержит markdown, blocks (тип, bbox, confidence) и word_confidence_scores при запросе.
Выбор режима вывода
Один эндпоинт обслуживает два режима:
- Raw Extraction – просто OCR с блоками и confidence. Подходит для масштабных пайплайнов и агентов.
- Document AI – добавьте параметр
schema(JSON‑описание полей) и получите готовый структурированный JSON. Идеально для бизнес‑пользователей, которым не хочется писать парсеры.
Что нельзя делать
OCR 4 – документальный аналитик, а не судья. Не используйте его для:
- медицинских диагнозов, юридических решениях или финансовых рекомендаций;
- реального времени с суб‑секундными требованиями;
- обработки аудио/видео‑потоков.
Где найти официальную информацию
Все детали – в официальных ресурсах Mistral AI:
