Въведение в Document AI
На тази страница
Обновено на 2 ноември 2026 г. — OCR. OCR 4.0 (
mistral-ocr-4-0) беше прекратен на 30 септември 2026 г. Използвайте OCR 4.1 (mistral-ocr-4-1), който е общодостъпен от 31 август на същата цена, или псевдонимаmistral-ocr-latest, който сочи към него от 16 юли. OCR 4.1 добавя оценки за достоверност на ниво блок.
Защо Document AI променя правилата на играта
Всяка сутрин една застрахователна компания получава стотици формуляри за искове: сканирани документи, наклонени под странни ъгли, ръкописни доклади, попълнени с химикал, и снимки на фактури, направени с телефон. Банките се сблъскват със същия проблем при извлеченията, болниците – с досиетата на пациентите, а държавните агенции – с формулярите. Десетилетия наред традиционното оптично разпознаване на знаци (OCR) се опитваше да реши този проблем, често с разочароващи резултати, щом оформлението стане сложно, има включен ръкопис или документите съдържат няколко езика.
Mistral AI създаде Document AI, за да обработва точно този тип работен поток. Това не е просто поредният OCR двигател: решението комбинира специализиран езиков модел за визуално възприятие (VLM) със структурирано извличане и възможности за документална интелигентност. С други думи, то не просто чете символи, а реконструира документа така, както е организиран, и Ви позволява да го заявявате впоследствие.
Трите услуги на Document AI
Document AI разчита на три допълващи се услуги, всички достъпни чрез Mistral API. Важно е да разберете как те се свързват помежду си още от самото начало.
Първата, OCR Processor, е ядрото на системата. Моделът mistral-ocr-latest (OCR 4) извлича текст от сканирани документи, PDF файлове, изображения и презентации. Докато класически OCR като Tesseract Ви дава объркана купчина редове, този модел запазва структурата: заглавия, параграфи, таблици, списъци и хипервръзки. Вземете отново онзи формуляр за застрахователен иск: получавате формуляра обратно с идентифицираните му секции, а не блок от текст, който трябва да разплитате.
Втората услуга, Document Annotations, поема задачата за извличане на действащи данни. Вие дефинирате Pydantic схема – име на пациент, сума на фактура, клаузи в договор – и моделът попълва тези полета автоматично. Преминавате от четим текст към типизирани стойности, които една информационна система може да поеме.
Третата, Document QnA, комбинира OCR с Mistral LLM, за да Ви позволи да задавате въпроси на естествен език относно съдържанието. Това позволява на един адвокат да попита: „Какъв е срокът за уведомление при прекратяване?“, вместо да препрочита четиридесет страници. Това е също така естественият начин за достъп до големи архиви или за сравняване на доклади.
Традиционен OCR срещу Document AI
Традиционният OCR, независимо дали е Tesseract или Adobe Acrobat, работи чрез разпознаване на шаблони пиксел по пиксел. Този принцип функционира добре върху ясно отпечатана страница, но се проваля, щом излезете извън този идеален случай. Вестник с множество колони, вложени заглавия и илюстрирани странични ленти произвежда текст, в който редът на четене вече няма смисъл. Ръкописните бележки на лекари или ръчно попълнените формуляри остават нечетливи за него. Таблици със слети клетки, липсващи граници или нередовни подравнявания губят всякаква връзка между колоните и редовете. Добавете документ, смесващ латиница, арабица и азиатски писмености, или шумен, наклонен, замъглен скан, и процентът на грешките става недопустим.
Document AI се гради върху финно настроен визуален модел (VLM), който разбира семантиката на документите. Той не просто разпознава символи: той схваща структурата, контекста и връзките между елементите. Тази фундаментална разлика в природата, а не просто просто повишаване на точността, обяснява резултатите му при трудни случаи.
Структуриран изход в Markdown
Друга ключова разлика: Document AI произвежда структуриран Markdown, а не обикновен текст. Всяка страница се връща с маркирано текстово съдържание – заглавия, списъци, параграфи – таблиците ѝ са форматирани в Markdown или HTML, извлечените изображения са придружени от позицията им, хипервръзките са запазени, а ако желаете, горните и долните колонтитули са изолирани от основното тяло. Този изход е готов за употреба: можете да го индексирате във векторна база данни за RAG, да го архивирате или да го показвате така, както е, без междинна стъпка на почистване.
От страна на входа, услугата обхваща PDF файлове (сканирани и нативни), изображения във формати PNG, JPEG и AVIF, презентации PPTX и документи DOCX. Максималният размер на файла е 50 MB, с ограничение от 1000 страници – две ограничения, които трябва да имате предвид, когато разделяте партидите си.
Какво ще научите
Курсът следва реда на трите услуги. Уроци 1 до 3 обхващат прегледа, модела OCR 4 и случаите на употреба. Уроци 4 до 8 навлизат по-дълбоко в OCR: API, код на Python, таблици, горни и долни колонтитули и оптимизация на точността. Уроци 9 до 12 се занимават с анотации, от извличане на метаданни до пакетна обработка. Уроци 13 до 16 разглеждат документалния QnA, от единични документи до настройки с множество документи, чак до интеграция с RAG и производствени конвейери.
Ключови изводи
- Document AI комбинира OCR, структурирани анотации и QnA в едно решение
- Моделът OCR 4 значително надминава традиционните OCR решения по точност и гъвкавост
- Структурираният изход в Markdown улеснява интеграцията във Вашите съществуващи конвейери
- Три допълващи се услуги обхващат целия жизнен цикъл на документа