Mistrals OCR-model (OCR 4)
På denne side
Opdateret 2. november 2026 — OCR. OCR 4.0 (
mistral-ocr-4-0) blev udfaset den 30. september 2026. Brug OCR 4.1 (mistral-ocr-4-1), som har været generelt tilgængelig siden 31. august til samme pris, eller aliassetmistral-ocr-latest, som har peget på denne version siden 16. juli. OCR 4.1 tilføjer konfidensscorer på blok-niveau.
En VLM specialiseret i dokumentudtræk
Når du skriver mistral-ocr-latest i din kode, retter du dig mod Mistrals nyeste OCR-generation: OCR 4, efterfølgeren til OCR 3. Dette er en sproglig visionsmodel (VLM), der er finjusteret udelukkende til at udtrække tekst fra dokumenter. Denne specialisering påvirker direkte din regning og dine resultater: I modsætning til en generisk model, der forsøger at gøre alt, er OCR 4 optimeret til én enkelt opgave, hvilket giver højere nøjagtighed til en lavere pris.
To strukturelle fremskridt definerer denne nye generation sammenlignet med OCR 3. Bounding boxes på afsnitsniveau lokaliserer præcist hver genkendt blok på siden: Du ved ikke kun, hvad der står, men også hvor. Og strukturelle blokke genskaber dokumentet som en typografisk struktur frem for ren tekst, hvilket sparer dig for selv at skulle opfinde en parser for at genvinde hierarkiet i en rapport.
Under motorhjelmen
Arkitekturen er baseret på interleaved tokenisering: Modellen behandler tekst-tokens og visuelle tokens samtidigt. Konkret læser den ikke isolerede tegn for derefter at gætte deres placering; den ser hele siden og ræsonnerer over den. Dette gør det muligt for den at forstå, at et dokument er organiseret i to spalter, at en underoverskrift styrer de efterfølgende afsnit, eller at en billedtekst relaterer sig til billedet ovenover.
OCR 4 hører til Mistrals Premier-tier. For virksomhedsimplementering betyder det høj tilgængelighed via La Plateforme API, regelmæssige opdateringer uden afbrydelse af servicen, og muligheden for at tegne en enterprise-SLA, når dokumentbehandling er kritisk for din forretning.
Sprogunderstøttelsen omfatter over halvtreds sprog. Den dækker latinske skrifttyper – fransk, engelsk, spansk, tysk, italiensk, portugisisk – asiatiske sprog som kinesisk, japansk og koreansk, højre-mod-venstre-skrifter som arabisk og hebraisk, samt kyrillisk til russisk og ukrainsk. Et ofte afgørende punkt i praksis: Håndskrift genkendes på alle disse sprog, hvilket åbner op for behandling af manuelt udfyldte formularer.
Output, side for side
For hver behandlede side returnerer OCR 4 et JSON-objekt, hvor du primært vil bruge to eller tre felter i den daglige drift:
{
"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
}
}
Feltet markdown bærer hovedparten af indholdet. Gengivelsen af tabeller i denne Markdown styres af parameteren table_format, som accepterer tre værdier:
null(standard): Tabeller indlejret direkte i Markdownen"markdown": Tabeller i standard Markdown-format med pipes|"html": Tabeller i fuld HTML med<table>,<tr>,<td>-tags
Billeder segmenteres automatisk. Ved at aktivere indstillingen include_image_base64=True modtager du hver illustration kodet i base64, klar til at blive gemt på disk eller genindsat i et rekonstrueret dokument. Uden denne indstilling får du kun referencer, hvilket letter svaret betydeligt, når du kun behandler tekst.
Over for alternativerne
Sammenlignet med Tesseract er forskellen synlig fra det første ikke-trivielle dokument. Tesseract klarer sig hæderligt på simpel trykt tekst, men mangler enhver forståelse for tabelstruktur, snubler over håndskrift, blander læserækkefølgen sammen i layout med flere spalter og degraderer kraftigt ved scanninger af dårlig kvalitet. OCR 4 rekonstruerer dokumentets semantiske struktur, fordi den „ser” hele siden.
Sammenligningen med generiske modeller – Pixtral, GPT, Gemini – udspiller sig et andet sted. Disse modeller kan behandle et dokument, men billeder bruger et enormt antal tokens, hvilket bliver dyrt, når volumenet skaleres op. De er ikke optimeret til udtrækningsnøjagtighed og hallucinerer lettere omkring tal og tabeller, præcis dér hvor fejl koster dyrest: Et opfundet fakturabeløb vil ikke blive fanget under gennemgangen. OCR 4 er finjusteret til troskab, ikke generering.
På benchmarks positionerer OCR 4 sig som den mest nøjagtige OCR-model tilgængelig via API, med næsten perfekt nøjagtighed ved udtrækning af trykt tekst, trofast rekonstruktion af tabelstrukturer, håndskriftsgenkendelse i høj kvalitet på flere sprog og stærke resultater på komplekse layout, der blander spalter, sidebjælker og indlejrede grafikker.
Én identifikator at huske
I alle dine API-kald skal du bruge denne identifikator:
model = "mistral-ocr-latest"
Den peger altid på den seneste stabile modelversion, og opdateringer er transparente og bagudkompatible. Modstå fristelsen til at låse en datostemplet version fast i din kode: Du ville fratage dig selv forbedringer uden at vinde stabilitet.
Vigtige pointer
- OCR 4 er en finjusteret VLM, ikke en klassisk mønstergenkendende OCR
- Den producerer struktureret Markdown side for side med billeder, tabeller og metadata
- Flersproget understøttelse dækker 50+ sprog, inklusive håndskrift
- Den overgår klassiske OCR’er og generiske modeller i udtrækningsnøjagtighed
- Identifikatoren
mistral-ocr-latestgaranterer adgang til den seneste version