Model OCR od Mistralu (OCR 4)
Na této stránce
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 aliasmistral-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-latestgarantuje přístup k nejnovější verzi