Моделът на Mistral за OCR (OCR 4)
На тази страница
Обновено на 2 ноември 2026 г. — OCR. Версия OCR 4.0 (
mistral-ocr-4-0) беше прекратена на 30 септември 2026 г. Използвайте OCR 4.1 (mistral-ocr-4-1), която е общодостъпна от 31 август на същата цена, или псевдонимаmistral-ocr-latest, който сочи към нея от 16 юли. OCR 4.1 добавя оценки за достоверност на ниво блок.
VLM, специализиран за извличане на документи
Когато използвате mistral-ocr-latest във вашия код, Вие се насочвате към най-новото поколение OCR на Mistral: OCR 4, наследникът на OCR 3. Това е езиков модел за визуално разпознаване (VLM), финално настроен изключително за извличане на текст от документи. Тази специализация влияе директно върху Вашите разходи и резултати: за разлика от модел с общо предназначение, който се опитва да прави всичко, OCR 4 е оптимизиран за една единствена задача, осигурявайки по-висока точност на по-ниска цена.
Две структурни предимства дефинират това ново поколение в сравнение с OCR 3. Ограничаващи кутии на ниво абзац локализират прецизно всеки разпознат блок на страницата: Вие знаете не само какво е написано, но и къде. А структурните блокове възстановяват документа като типизирана структура, а не като обикновен текст, което Ви спестява необходимостта да създавате собствен парсър за възстановяване на йерархията на даден доклад.
Под капака
Архитектурата разчита на преплетена токенизация: моделът обработва текстови и визуални токени едновременно. Конкретно, той не чете изолирани символи и след това се опитва да отгатне тяхното разположение; той вижда цялата страница и я анализира логически. Това му позволява да разбере, че един документ е организиран в две колони, че дадено подзаглавие управлява следващите го абзаци или че надписът се отнася за изображението над него.
OCR 4 принадлежи към премиум нивото (Premier tier) на Mistral AI. За внедряване в корпоративна среда това означава висока наличност чрез La Plateforme API, редовни актуализации, прилагани без прекъсване на услугата, и възможност за абонамент за корпоративно споразумение за ниво на обслужване (SLA), когато обработката на документи е от критично значение за Вашия бизнес.
Поддръжката на езици надхвърля петдесет. Тя обхваща латински скриптове – френски, английски, испански, немски, италиански, португалски – азиатски езици като китайски, японски и корейски, скриптове отдясно наляво като арабски и иврит, както и кирилица за руски и украински. Често решаващ момент на практика: ръкописът се разпознава на всички тези езици, което отваря възможност за обработка на ръчно попълнени формуляри.
Изход, страница по страница
За всяка обработена страница OCR 4 връща JSON обект, в който за ежедневните операции ще използвате основно две или три полета:
{
"index": 0, # Page number (0-indexed)
"markdown": "## Title\n\nContent...", # Text in Markdown
"images": [...], # Extracted images (base64 optional)
"tables": [...], # Detected tables
"hyperlinks": [...], # Preserved hyperlinks
"header": "Header", # Page header (optional)
"footer": "Footer", # Page footer (optional)
"dimensions": { # Page dimensions
"width": 612,
"height": 792
}
}
Полето markdown носи основната част от съдържанието. Рендирането на таблици в този Markdown се контролира от параметъра table_format, който приема три стойности:
null(по подразбиране): таблици вградени в Markdown"markdown": таблици в стандартен Markdown формат с вертикални черти|"html": таблици в пълен HTML с тагове<table>,<tr>,<td>
Изображенията се сегментират автоматично. Чрез активиране на опцията include_image_base64=True, Вие получавате всяка илюстрация, кодирана в base64, готова за запис на диск или повторно инжектиране в реконструиран документ. Без тази опция получавате само препратки, което значително олекотява отговора, когато обработвате само текст.
Среща с алтернативите
В сравнение с Tesseract, разликата е видима още от първия нетривиален документ. Tesseract се справя прилично с обикновен печатен текст, но му липсва всякакво разбиране за таблична структура, затруднява се с ръкописа, обърква реда на четене при оформление с множество колони и се влошава рязко при сканирания с лошо качество. OCR 4, защото вижда страницата, реконструира нейната семантична структура.
Сравнението с моделите с общо предназначение – Pixtral, GPT, Gemini – се развива на друго поле. Тези модели могат да обработват документ, но изображенията консумират огромен брой токени, което тежи значително при увеличаване на обема. Те не са оптимизирани за точност на извличане и халюцинират по-лесно относно числа и таблици, точно там, където грешките струват най-скъпо: измислена сума във фактура няма да бъде открита по време на преглед. OCR 4 е финално настроен за точност, а не за генериране.
В бенчмарковете OCR 4 се позиционира като най-точният OCR модел, достъпен чрез API, с почти перфектна точност при извличане на печатен текст, вярно възстановяване на таблични структури, висококачествено разпознаване на ръкопис на множество езици и силни резултати при сложни оформления, смесващи колони, странични ленти и вградена графика.
Един идентификатор, който трябва да запомните
Във всички Ваши API повиквания ще използвате този идентификатор:
model = "mistral-ocr-latest"
Той винаги сочи към най-новата стабилна версия на модела, а актуализациите са прозрачни и обратно съвместими. Устойте на изкушението да фиксирате датирана версия във Вашия код: така ще се лишите от подобрения, без да спечелите стабилност.
Ключови изводи
- OCR 4 е финално настроен VLM, а не класически OCR за разпознаване на шаблони
- Той генерира структуриран Markdown страница по страница с изображения, таблици и метаданни
- Многоезичната поддръжка обхваща над 50 езика, включително ръкопис
- Той превъзхожда класическите OCR системи и моделите с общо предназначение по точност на извличане
- Идентификаторът
mistral-ocr-latestгарантира достъп до най-новата версия