Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Model OCR od Mistralu (OCR 4)

Lekce 2 z 16 Aktualizováno 2. listopadu 2026 Vývojář
Na této stránce
  1. VLM specializovaný na extrakci z dokumentů
  2. Pod kapotou
  3. Výstup, stránka po stránce
  4. Konfrontace s alternativami
  5. Jeden identifikátor, který si musíš pamatovat
  6. Klíčové poznatky

Aktualizováno 2. listopadu 2026 — OCR. Verze OCR 4.0 (mistral-ocr-4-0) byla vyřazena z provozu 30. září 2026. Používej OCR 4.1 (mistral-ocr-4-1), který je obecně dostupný od 31. srpna za stejnou cenu, nebo alias mistral-ocr-latest, který na něj odkazuje od 16. července. OCR 4.1 přidává skóre spolehlivosti na úrovni bloků.

VLM specializovaný na extrakci z dokumentů

Když do kódu napíšeš mistral-ocr-latest, cílíš na nejnovější generaci OCR od Mistralu: OCR 4, nástupce verze OCR 3. Jde o jazykový model s vizuálními schopnostmi (VLM), který byl doladěn výhradně pro extrakci textu z dokumentů. Tato specializace přímo ovlivňuje tvé faktury i výsledky: na rozdíl od univerzálního modelu, který se snaží dělat všechno, je OCR 4 optimalizován pro jediný úkol. Dosahuje vyšší přesnosti za nižší cenu.

Tuto novou generaci oproti OCR 3 definují dva strukturální pokroky. Ohraničující rámečky na úrovni odstavců přesně lokalizují každý rozpoznaný blok na stránce: víš nejen co je napsáno, ale také kde. A strukturální bloky obnovují dokument jako typovanou strukturu namísto prostého textu, což tě zbavuje nutnosti znovu vymýšlet parser pro obnovu hierarchie reportu.

Pod kapotou

Architektura spoléhá na prokládanou tokenizaci: model zpracovává textové i vizuální tokeny současně. Konkrétně nečte izolované znaky a následně se nesnaží uhodnout jejich uspořádání; vidí celou stránku a uvažuje o ní. To mu umožňuje pochopit, že dokument je rozdělen do dvou sloupců, že nadpis řídí odstavce, které po něm následují, nebo že popisek souvisí s obrázkem nad ním.

OCR 4 patří do nejvyšší úrovně (Premier) společnosti Mistral AI. Pro nasazení v podniku to znamená vysokou dostupnost prostřednictvím API La Plateforme, pravidelné aktualizace aplikované bez přerušení služby a možnost předplatit si podnikovou SLA, pokud je zpracování dokumentů pro tvůj byznys kritické.

Podpora jazyků přesahuje padesátku. Zahrnuje latinku (francouzština, angličtina, španělština, němčina, italština, portugalština), asijské jazyky jako čínština, japonština a korejština, písma čtená zprava doleva, jako je arabština a hebrejština, a cyrilici pro ruštinu a ukrajinštinu. Často rozhodující bod v praxi: rukopis je rozpoznáván ve všech těchto jazycích, což otevírá možnosti zpracování ručně vyplněných formulářů.

Výstup, stránka po stránce

Pro každou zpracovanou stránku vrací OCR 4 objekt JSON, kde budeš při běžném provozu primárně využívat dvě nebo tři pole:

{
    "index": 0,              # Číslo stránky (indexováno od 0)
    "markdown": "## Title\n\nContent...",  # Text ve formátu Markdown
    "images": [...],         # Extrahované obrázky (volitelně base64)
    "tables": [...],         # Detekované tabulky
    "hyperlinks": [...],     # Zachované hypertextové odkazy
    "header": "Header",      # Záhlaví stránky (volitelné)
    "footer": "Footer",      # Zápatí stránky (volitelné)
    "dimensions": {          # Rozměry stránky
        "width": 612,
        "height": 792
    }
}

Pole markdown nese většinu obsahu. Vykreslování tabulek v rámci tohoto Markdownu řídí parametr table_format, který přijímá tři hodnoty:

  • null (výchozí): tabulky inline uvnitř Markdownu
  • "markdown": tabulky ve standardním formátu Markdown s svislítky |
  • "html": tabulky v plném HTML s tagy <table>, <tr>, <td>

Obrázky jsou segmentovány automaticky. Povolením možnosti include_image_base64=True získáš každou ilustraci zakódovanou v base64, připravenou k uložení na disk nebo opětovnému vložení do rekonstruovaného dokumentu. Bez této možnosti získáš pouze reference, což při zpracování pouze textu výrazně odlehčí odpověď.

Konfrontace s alternativami

V porovnání s nástrojem Tesseract je rozdíl vidět již u prvního netriviálního dokumentu. Tesseract podává slušné výsledky u jednoduchého tištěného textu, ale postrádá jakékoli chápání tabulkové struktury, chybuje u rukopisu, plete si pořadí čtení ve více-sloupcových rozloženích a jeho kvalita prudce klesá u skenů nízké kvality. OCR 4, protože stránku „vidí“, rekonstruuje její sémantickou strukturu.

Srovnání s univerzálními modely – Pixtral, GPT, Gemini – probíhá jinde. Tyto modely dokážou dokument zpracovat, ale obrázky spotřebují obrovské množství tokenů, což při růstu objemu dat významně zatěžuje rozpočet. Nejsou optimalizovány pro věrnost extrakce a snadněji halucinují u čísel a tabulek, přesně tam, kde chyby stojí nejvíce: vymyšlená částka na faktuře nebude při revizi odhalena. OCR 4 je doladěn pro věrnost, nikoliv pro generování.

V benchmarkových testech se OCR 4 pozicionuje jako nejpřesnější model OCR dostupný přes API. Dosahuje téměř dokonalé přesnosti při extrakci tištěného textu, věrné rekonstrukci struktur tabulek, vysoce kvalitního rozpoznávání rukopisu ve více jazycích a silných výsledků u komplexních rozložení kombinujících sloupce, postranní panely a vloženou grafiku.

Jeden identifikátor, který si musíš pamatovat

Ve všech voláních API použiješ tento identifikátor:

model = "mistral-ocr-latest"

Vždy odkazuje na nejnovější stabilní verzi modelu a aktualizace jsou transparentní a zpětně kompatibilní. Odolej pokušení připnout si v kódu datovanou verzi: připravil bys se o vylepšení, aniž bys získal stabilitu.

Klíčové poznatky

  • OCR 4 je doladěný VLM, nikoliv klasický OCR založený na rozpoznávání vzorů
  • Produkuje strukturovaný Markdown stránku po stránce včetně obrázků, tabulek a metadat
  • Vícejazyčná podpora pokrývá 50+ jazyků včetně rukopisu
  • Předčí klasické OCR i univerzální modely v přesnosti extrakce
  • Identifikátor mistral-ocr-latest garantuje přístup k nejnovější verzi