Ερωταποκρίσεις σε Πολλαπλά Έγγραφα
Σε αυτήν τη σελίδα
Ενημερώθηκε στις 2 Νοεμβρίου 2026 — OCR. Το OCR 4.0 (
mistral-ocr-4-0) αποσύρθηκε στις 30 Σεπτεμβρίου 2026. Χρησιμοποιήστε το OCR 4.1 (mistral-ocr-4-1), το οποίο είναι γενικά διαθέσιμο από τις 31 Αυγούστου στην ίδια τιμή, ή το ψευδώνυμοmistral-ocr-latest, το οποίο δείχνει σε αυτό από τις 16 Ιουλίου. Το OCR 4.1 προσθέτει βαθμολογίες εμπιστοσύνης σε επίπεδο μπλοκ. Προσθήκη 3 Νοεμβρίου 2026: Ένα τοπικό αρχείο PDF μεταδίδεται σε base64 ως{"type": "document_url", "document_url": "data:application/pdf;base64,…"}· ο τύποςdocument_base64από παλαιότερα παραδείγματα δεν υπάρχει ούτε στην τεκμηρίωση ούτε στο SDKmistralai, και εκείνα τα παραδείγματα θα απέτυγχαν. Πηγές: Επεξεργαστής OCR · Ερωταποκρίσεις σε Έγγραφα. Διορθώθηκε στις 3 Νοεμβρίου 2026: Ο προηγούμενος κώδικας διάβαζε τοpage.document_annotationσελίδα προς σελίδα· στο SDKmistralai3.7.0, η σχολιασμός εγγράφου είναι ένα ενιαίο πεδίο στην απάντηση (response.document_annotation), και ο σχολιασμός μιας εικόνας διαβάζεται από τοimage.image_annotation.
Όταν η Απάντηση Εκτείνεται σε Πολλαπλά Αρχεία
Σε πολλά επαγγελματικά σενάρια, η απάντηση σε μια ερώτηση δεν βρίσκεται σε ένα μόνο έγγραφο. Μπορεί να χρειάζεται να συγκρίνετε συμβάσεις, να διασταυρώνετε τιμολόγια με παραγγελίες αγοράς ή να αναλύετε μια σειρά εκθέσεων. Υπάρχουν τρεις στρατηγικές και η καλύτερη προσέγγιση είναι να επιλέξετε με βάση τον όγκο, αντί να καταφύγετε αμέσως στην πιο εξελιγμένη επιλογή.
Αποστολή Όλων σε Μία Κλήση
Η πιο άμεση μέθοδος είναι να στοιβάξετε πολλαπλά μπλοκ document_url στο ίδιο μήνυμα. Το μοντέλο βλέπει και τις δύο συμβάσεις πλάι-πλάι και μπορεί να τις συγκρίνει πραγματικά, κάτι που η επεξεργασία σελίδα προς σελίδα δεν μπορεί να επιτύχει. Εδώ μεταβαίνουμε στο mistral-large-latest επειδή η σύγκριση περιλαμβάνει συλλογισμό, όχι απλή ανάγνωση.
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "user",
"content": [
{
"type": "text",
"text": (
"Compare the payment terms "
"of these two contracts."
)
},
{
"type": "document_url",
"document_url": "https://example.com/contract-A.pdf"
},
{
"type": "document_url",
"document_url": "https://example.com/contract-B.pdf"
}
]
}
]
)
print(response.choices[0].message.content)
Ο περιορισμός εμφανίζεται γρήγορα: το άθροισμα των εγγράφων δεν πρέπει να υπερβαίνει το παράθυρο συμφραζομένων του μοντέλου. Δύο φυλλάδια δέκα σελίδων περνούν χωρίς δυσκολία· δύο συμφωνίες-πλαίσιο διακοσίων σελίδων όχι.
Διαχωρισμός Εξαγωγής από την Ερώτηση
Για μεγάλους όγκους, η συνιστώμενη στρατηγική αποσυνδέει αυτά τα δύο βήματα. Περάστε κάθε έγγραφο μέσω OCR, κρατήστε το προκύπτον Markdown και, στη συνέχεια, κατασκευάστε χειροκίνητα το συμφραζόμενο που αποστέλλεται στο LLM. Το όφελος είναι ο έλεγχος: η περικοπή στους 5.000 χαρακτήρες που φαίνεται στο παράδειγμα, η διατήρηση του ονόματος κάθε εγγράφου ως επικεφαλίδα ενότητας και το μήνυμα συστήματος που ορίζει τον ρόλο του νομικού βοηθού. Αποφασίζετε εσείς ακριβώς τι εισέρχεται στο παράθυρο συμφραζομένων, αντί να το αφήνετε να συμβεί αυτόματα.
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
def extract_text(url: str) -> str:
"""Extracts text from a document via OCR."""
response = client.ocr.process(
model="mistral-ocr-latest",
document={"type": "document_url", "document_url": url}
)
return "\n\n".join(p.markdown for p in response.pages)
# OCR extraction for each document
documents = {
"Contract A": extract_text("https://example.com/contract-A.pdf"),
"Contract B": extract_text("https://example.com/contract-B.pdf"),
"Contract C": extract_text("https://example.com/contract-C.pdf"),
}
# Build the prompt with context
context = "\n\n---\n\n".join(
f"## {name}\n\n{text[:5000]}" # Limit if necessary
for name, text in documents.items()
)
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "system",
"content": (
"You are a legal assistant. Analyze the "
"provided documents and answer questions."
)
},
{
"role": "user",
"content": (
f"Here are the documents:\n\n{context}\n\n"
f"Question: Which contract offers the best "
f"early termination conditions?"
)
}
]
)
Μετάβαση σε Document RAG
Πέρα από μερικές δεκάδες έγγραφα, κανένα παράθυρο συμφραζομένων δεν θα επαρκέσει. Πρέπει τότε να στείλετε μόνο τα σχετικά αποσπάσματα, κάτι που απαιτεί τμηματοποίηση των κειμένων, διανυσματοποίησή τους με το mistral-embed και αναζήτηση με βάση την ομοιότητα κατά τη στιγμή του ερωτήματος. Η τμηματοποίηση με επικάλυψη 200 χαρακτήρων εμποδίζει μια πρόταση κομμένη στη μέση να χάσει το νόημά της μεταξύ των τμημάτων, και το top_k καθορίζει πόσα αποσπάσματα θα συνοδεύουν τελικά την ερώτηση.
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
def create_embeddings(text: str) -> list[float]:
"""Creates embeddings for a text."""
response = client.embeddings.create(
model="mistral-embed",
inputs=[text]
)
return response.data[0].embedding
def chunker(text: str, size: int = 1000, overlap: int = 200) -> list[str]:
"""Splits text into chunks with overlap."""
chunks = []
start = 0
while start < len(text):
end = start + size
chunk = text[start:end]
chunks.append(chunk)
start = end - overlap
return chunks
# Simplified RAG pipeline
def index_document(name: str, text: str) -> list[dict]:
"""Indexes a document for search."""
chunks = chunker(text)
index = []
for i, chunk in enumerate(chunks):
embedding = create_embeddings(chunk)
index.append({
"document": name,
"chunk_id": i,
"text": chunk,
"embedding": embedding
})
return index
def search(query: str, index: list[dict], top_k: int = 5) -> list[dict]:
"""Searches for the most relevant chunks."""
q_embedding = create_embeddings(query)
# Cosine similarity calculation
import numpy as np
scores = []
for item in index:
score = np.dot(q_embedding, item["embedding"])
scores.append((score, item))
scores.sort(key=lambda x: x[0], reverse=True)
return [item for _, item in scores[:top_k]]
Ας συνοψίσουμε τη λογική επιλογής. Η αποστολή πολλαπλών εγγράφων σε μία κλήση παραμένει ασυναγώνιστη ως προς την απλότητα και λειτουργεί καλά για δύο ή τρία σύντομα έγγραφα. Το ξεχωριστό OCR ακολουθούμενο από ερωταποκρίσεις προσφέρει ευελιξία και σας δίνει έλεγχο over του τι στέλνεται στο LLM, με κόστος κάποιο επιπλέον κώδικα. Το Document RAG είναι πιο βαρύ στην εγκατάσταση αλλά γίνεται απαραίτητο καθώς το σώμα κειμένων μεγαλώνει, επειδή είναι η μόνη προσέγγιση που κλιμακώνεται.
Μια Ροή Εργασίας Σύγκρισης End-to-End
Οι δύο τεχνικές μπορούν να συνδυαστούν: τίποτα δεν σας εμποδίζει να εξάγετε πρώτα δομημένα δεδομένα μέσω σχολιασμού και, στη συνέχεια, να τα παραδώσετε στο LLM για ανάλυση. Σε μια παρτίδα τιμολογίων, κάθε έγγραφο ανάγεται σε τρία πεδία—προμηθευτής, ποσό, ημερομηνία—πριν ένα ενιαίο αίτημα ζητήσει από το μοντέλο να εντοπίσει τάσεις και ανωμαλίες. Το κόστος tokens γίνεται αμελητέο και η ανάλυση εστιάζει σε καθαρά εξαγόμενους αριθμούς αντί για κείμενο που ερμηνεύεται επιτόπου.
import os
from pydantic import BaseModel, Field
from mistralai.client import Mistral
from mistralai.extra import response_format_from_pydantic_model
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
class InvoiceSummary(BaseModel):
vendor: str = Field(..., description="Vendor name")
amount_inc_tax: float = Field(..., description="Amount including tax")
date: str = Field(..., description="Date (YYYY-MM-DD)")
def compare_invoices(paths: list[str]) -> str:
"""Compares multiple invoices and returns an analysis."""
import base64
invoices = []
for path in paths:
with open(path, "rb") as f:
doc_b64 = base64.b64encode(f.read()).decode("utf-8")
response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{doc_b64}"
},
document_annotation_format=response_format_from_pydantic_model(
InvoiceSummary
)
)
if response.document_annotation:
invoice = InvoiceSummary.model_validate_json(
response.document_annotation
)
invoices.append(invoice)
# Comparative analysis via LLM
summary = "\n".join(
f"- {f.vendor}: €{f.amount_inc_tax} ({f.date})"
for f in invoices
)
response = client.chat.complete(
model="mistral-small-latest",
messages=[
{
"role": "user",
"content": (
f"Here are {len(invoices)} invoices:\n{summary}\n\n"
f"Analyze trends and anomalies."
)
}
]
)
return response.choices[0].message.content
Βασικά σημεία
- Τρεις προσεγγίσεις για ερωταποκρίσεις σε πολλαπλά έγγραφα: ενσωματωμένη, ξεχωριστό OCR, RAG
- Η ενσωματωμένη προσέγγιση λειτουργεί για 2–3 σύντομα έγγραφα
- Το ξεχωριστό OCR + ερωταποκρίσεις προσφέρει περισσότερο έλεγχο over των consumed tokens
- Το RAG είναι απαραίτητο για μεγάλα σώματα κειμένων (δεκάδες έγγραφα)
- Συνδυάστε δομημένους σχολιασμούς με ερωταποκρίσεις για ακριβείς αναλύσεις