OCR-Modell von Mistral (OCR 4)
Auf dieser Seite
Aktualisiert am 2. November 2026 — OCR. OCR 4.0 (
mistral-ocr-4-0) wurde am 30. September 2026 eingestellt. Nutzen Sie OCR 4.1 (mistral-ocr-4-1), der seit dem 31. August zum allgemeinen Verfügbarkeit (GA) steht und denselben Preis hat, oder den Aliasmistral-ocr-latest, der seit dem 16. Juli darauf verweist. OCR 4.1 fügt Vertrauenswerte auf Blockebene hinzu.
Ein VLM, spezialisiert auf die Extraktion von Dokumenten
Wenn Sie in Ihrem Code mistral-ocr-latest eingeben, richten Sie sich auf die neueste OCR-Generation von Mistral aus: OCR 4, die Nachfolgerin von OCR 3. Dies ist ein vision language model (VLM), das ausschließlich für die Extraktion von Text aus Dokumenten feinabgestimmt wurde. Diese Spezialisierung wirkt sich direkt auf Ihre Abrechnung und Ihre Ergebnisse aus: Im Gegensatz zu einem allgemeinen Modell, das alles versuchen will, ist OCR 4 auf eine einzige Aufgabe optimiert und liefert höhere Genauigkeit zu niedrigeren Kosten.
Zwei strukturelle Fortschritte definieren diese neue Generation im Vergleich zu OCR 3. Bounding Boxes auf Satzebene lokalisieren jeden erkannten Block auf der Seite präzise: Sie wissen nicht nur, was geschrieben steht, sondern auch, wo. Und strukturelle Blöcke stellen das Dokument als typisierte Struktur wieder her, anstatt als reiner Text, und sparen Ihnen die Arbeit, einen Parser zu entwickeln, um die Hierarchie eines Berichts wiederherzustellen.
Unter der Haube
Die Architektur stützt sich auf eine durchmischte Tokenisierung: Das Modell verarbeitet Text-Token und visuelle Token gleichzeitig. Konkret liest es keine isolierten Zeichen und versucht dann nicht, ihre Anordnung zu erraten; es sieht die gesamte Seite und zieht daraus Schlüsse. Dies ermöglicht es ihm zu verstehen, dass ein Dokument in zwei Spalten organisiert ist, dass eine Zwischenüberschrift die folgenden Absätze regiert oder dass eine Bildunterschrift sich auf das Bild darüber bezieht.
OCR 4 gehört zu der Premier-Ebene von Mistral AI. Für den Enterprise-Einsatz bedeutet dies hohe Verfügbarkeit über die La Plateforme API, regelmäßige Updates ohne Unterbrechung des Dienstes und die Möglichkeit, sich für einen Enterprise-SLA zu entscheiden, wenn die Verarbeitung von Dokumenten auf dem kritischen Pfad Ihres Unternehmens liegt.
Die Sprachunterstützung umfasst mehr als fünfzig Sprachen. Sie deckt lateinische Schriften – Französisch, Englisch, Spanisch, Deutsch, Italienisch, Portugiesisch –, asiatische Sprachen wie Chinesisch, Japanisch und Koreanisch, rechts-nach-links geschriebene Schriften wie Arabisch und Hebräisch sowie kyrillische Schriften für Russisch und Ukrainisch ab. Ein oft entscheidender Punkt in der Praxis: Handschrift wird in all diesen Sprachen erkannt, was die Verarbeitung von manuell ausgefüllten Formularen eröffnet.
Ausgabe, Seite für Seite
Für jede verarbeitete Seite gibt OCR 4 ein JSON-Objekt zurück, in dem Sie im täglichen Betrieb vor allem zwei oder drei Felder verwenden:
{
"index": 0, # Seitennummer (0-basiert)
"markdown": "## Titel\n\nInhalt...", # Text im Markdown-Format
"images": [...], # Extrahierte Bilder (optional als base64)
"tables": [...], # Erkannte Tabellen
"hyperlinks": [...], # Erhaltene Hyperlinks
"header": "Header", # Kopfzeile der Seite (optional)
"footer": "Footer", # Fußzeile der Seite (optional)
"dimensions": { # Seitendimensionen
"width": 612,
"height": 792
}
}
Das Feld markdown trägt den Großteil des Inhalts. Die Darstellung von Tabellen innerhalb dieses Markdowns wird durch den Parameter table_format gesteuert, der drei Werte akzeptiert:
null(Standard): Tabellen inline innerhalb des Markdowns"markdown": Tabellen im Standard-Markdown-Format mit Pipes|"html": Tabellen im vollständigen HTML mit<table>,<tr>,<td>-Tags
Bilder werden automatisch segmentiert. Durch Aktivierung der Option include_image_base64=True erhalten Sie jede Illustration als base64-kodierten String, bereit zum Speichern auf der Festplatte oder zur Wiedereinjection in ein rekonstruiertes Dokument. Ohne diese Option erhalten Sie nur Referenzen, was die Antwort erheblich entlastet, wenn Sie nur Text verarbeiten.
Gegenüber Alternativen
Im Vergleich zu Tesseract ist der Unterschied bereits beim ersten nicht-trivialen Dokument sichtbar. Tesseract funktioniert bei einfachem gedrucktem Text anständig, verfügt aber über kein Verständnis von tabellarischen Strukturen, stolpert bei Handschrift, verwechselt die Leseordnung in mehrspaltigen Layouts und verschlechtert sich stark bei schlechten Scans. OCR 4 rekonstruiert aufgrund seiner Fähigkeit, die Seite zu sehen, seine semantische Struktur.
Der Vergleich mit allgemeinen Modellen – Pixtral, GPT, Gemini – findet anderswo statt. Diese Modelle können ein Dokument verarbeiten, aber Bilder verbrauchen eine enorme Anzahl von Tokens, was bei steigendem Volumen schwer wiegt. Sie sind nicht auf Extraktionsgenauigkeit optimiert und halluzinieren leichter bei Zahlen und Tabellen, genau dort, wo Fehler am teuersten sind: Eine erfundene Rechnungssumme würde bei der Prüfung nicht erkannt werden. OCR 4 ist für Treue (Fidelity) feinabgestimmt, nicht für Generierung.
In Benchmarks positioniert sich OCR 4 als das genaueste OCR-Modell, das über eine API verfügbar ist, mit nahezu perfekter Genauigkeit bei der Extraktion von gedrucktem Text, treuer Rekonstruktion von tabellarischen Strukturen, hochwertiger mehrsprachiger Handschriftenerkennung und starken Ergebnissen bei komplexen Layouts, die Spalten, Seitenleisten und eingebettete Grafiken mischen.
Eine Kennung zum Merken
In allen Ihren API-Aufrufen verwenden Sie diese Kennung:
model = "mistral-ocr-latest"
Sie verweist immer auf die neueste stabile Modellversion, und Updates sind transparent und rückwärtskompatibel. Widerstehen Sie der Versuchung, in Ihrem Code eine veraltete Version zu fixieren: Sie würden sich Verbesserungen entziehen, ohne Stabilität zu gewinnen.
Kernaussagen
- OCR 4 ist ein feinabgestimmtes VLM, kein klassisches Mustererkennungs-OCR
- Es erzeugt strukturiertes Markdown Seite für Seite mit Bildern, Tabellen und Metadaten
- Die mehrsprachige Unterstützung umfasst 50+ Sprachen, einschließlich Handschrift
- Es übertrifft klassische OCRs und allgemeine Modelle in der Extraktionsgenauigkeit
- Die Kennung
mistral-ocr-latestgarantiert den Zugriff auf die neueste Version