Μοντέλο OCR της Mistral (OCR 4)
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.
Ένα VLM Εξειδικευμένο στην Εξαγωγή Εγγράφων
Όταν γράφετε mistral-ocr-latest στον κώδικά σας, στοχεύετε την τελευταία γενιά OCR της Mistral: το OCR 4, τον διάδοχο του OCR 3. Πρόκειται για ένα μοντέλο γλώσσας όρασης (VLM) βελτιστοποιημένο αποκλειστικά για την εξαγωγή κειμένου από έγγραφα. Αυτή η εξειδίκευση επηρεάζει άμεσα τον λογαριασμό σας και τα αποτελέσματά σας: σε αντίθεση με ένα μοντέλο γενικής χρήσης που προσπαθεί να κάνει τα πάντα, το OCR 4 είναι βελτιστοποιημένο για ένα μόνο έργο, προσφέροντας μεγαλύτερη ακρίβεια με χαμηλότερο κόστος.
Δύο δομικές προόδοι ορίζουν αυτή τη νέα γενιά σε σύγκριση με το OCR 3. Τα πλαίσια οριοθέτησης σε επίπεδο παραγράφου εντοπίζουν με ακρίβεια κάθε αναγνωρισμένο μπλοκ στη σελίδα: γνωρίζετε όχι μόνο τι είναι γραμμένο, αλλά και πού βρίσκεται. Και τα δομικά μπλοκ αποκαθιστούν το έγγραφο ως τυποποιημένη δομή αντί για απλό κείμενο, γλιτώνοντάς σας από την ανάγκη να ξαναφτιάξετε έναν αναλυτή (parser) για να ανακτήσετε την ιεραρχία μιας αναφοράς.
Κάτω από το Καπό
Η αρχιτεκτονική βασίζεται σε διαπλεκόμενη τοκενοποίηση: το μοντέλο επεξεργάζεται ταυτόχρονα λεκτικούς και οπτικούς tokens. Συγκεκριμένα, δεν διαβάζει μεμονωμένους χαρακτήρες και μετά προσπαθεί να μαντέψει τη διάταξή τους· βλέπει ολόκληρη τη σελίδα και συλλογίζεται πάνω σε αυτήν. Αυτό του επιτρέπει να κατανοήσει ότι ένα έγγραφο οργανώνεται σε δύο στήλες, ότι ένας υπότιτλος διέπει τις παραγράφους που τον ακολουθούν, ή ότι μια λεζάντα σχετίζεται με την εικόνα από πάνω της.
Το OCR 4 ανήκει στην κατηγορία Premier της Mistral AI. Για επιχειρηματική ανάπτυξη, αυτό μεταφράζεται σε υψηλή διαθεσιμότητα μέσω του API της La Plateforme, τακτικές ενημερώσεις που εφαρμόζονται χωρίς διακοπή της υπηρεσίας και τη δυνατότητα συνδρομής σε ένα SLA επιχειρήσεων όταν η επεξεργασία εγγράφων αποτελεί κρίσιμο σημείο για την επιχείρησή σας.
Η υποστήριξη γλωσσών ξεπερνά τις πενήντα γλώσσες. Καλύπτει λατινικές γραφές—Γαλλικά, Αγγλικά, Ισπανικά, Γερμανικά, Ιταλικά, Πορτογαλικά—ασιατικές γλώσσες όπως Κινεζικά, Ιαπωνικά και Κορεατικά, γραφές από δεξιά προς τα αριστερά όπως τα Αραβικά και τα Εβραϊκά, και κυριλλικά για Ρωσικά και Ουκρανικά. Ένα συχνά καθοριστικό σημείο στην πράξη: ο χειρόγραφος χαρακτήρας αναγνωρίζεται σε όλες αυτές τις γλώσσες, ανοίγοντας δρόμους για την επεξεργασία χειρογράφων φορμών.
Έξοδος, Σελίδα προς Σελίδα
Για κάθε επεξεργασμένη σελίδα, το OCR 4 επιστρέφει ένα αντικείμενο JSON όπου θα χρησιμοποιείτε κυρίως δύο ή τρία πεδία στις καθημερινές σας εργασίες:
{
"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
}
}
Το πεδίο markdown μεταφέρει τον όγκο του περιεχομένου. Η απόδοση πινάκων εντός αυτού του Markdown ελέγχεται από την παράμετρο table_format, η οποία δέχεται τρεις τιμές:
null(προεπιλογή): πίνακες ενσωματωμένοι εντός του Markdown"markdown": πίνακες σε τυπική μορφή Markdown με κάθετους σωλήνες|"html": πίνακες σε πλήρες HTML με ετικέτες<table>,<tr>,<td>
Οι εικόνες τμηματοποιούνται αυτόματα. Ενεργοποιώντας την επιλογή include_image_base64=True, ανακτάτε κάθε εικονογράφηση κωδικοποιημένη σε base64, έτοιμη για αποθήκευση στον δίσκο ή επανεισαγωγή σε ένα ανακατασκευασμένο έγγραφο. Χωρίς αυτή την επιλογή, λαμβάνετε μόνο αναφορές, γεγονός που ελαφρύνει σημαντικά την απόκριση όταν επεξεργάζεστε μόνο κείμενο.
Αντιμέτωποι με Εναλλακτικές
Σε σύγκριση με το Tesseract, η διαφορά είναι ορατή από το πρώτο μη τετριμμένο έγγραφο. Το Tesseract αποδίδει αξιοπρεπώς σε απλό τυπωμένο κείμενο, αλλά στερείται οποιασδήποτε κατανόησης της δομής πινάκων, δυσκολεύεται με τον χειρόγραφο χαρακτήρα, μπερδεύει τη σειρά ανάγνωσης σε διατάξεις πολλαπλών στηλών και η απόδοσή του πέφτει δραματικά σε σαρώσεις κακής ποιότητας. Το OCR 4, επειδή «βλέπει» τη σελίδα, ανακατασκευάζει τη σημασιολογική της δομή.
Η σύγκριση με μοντέλα γενικής χρήσης—Pixtral, GPT, Gemini—παίζεται αλλού. Αυτά τα μοντέλα μπορούν να επεξεργαστούν ένα έγγραφο, αλλά οι εικόνες καταναλώνουν τεράστιο αριθμό tokens, κάτι που επιβαρύνει σημαντικά καθώς αυξάνεται ο όγκος. Δεν είναι βελτιστοποιημένα για την πιστότητα εξαγωγής και παραισθάνονται (hallucinate) πιο εύκολα σε αριθμούς και πίνακες, ακριβώς εκεί που τα λάθη κοστίζουν τα περισσότερα: ένα εφευρεμένο ποσό τιμολογίου δεν θα εντοπιστεί κατά την αναθεώρηση. Το OCR 4 είναι βελτιστοποιημένο για πιστότητα, όχι για παραγωγή.
Στα benchmarks, το OCR 4 τοποθετείται ως το πιο ακριβές μοντέλο OCR διαθέσιμο μέσω API, με σχεδόν τέλεια ακρίβεια στην εξαγωγή τυπωμένου κειμένου, πιστή ανακατασκευή δομών πινάκων, υψηλής ποιότητας αναγνώριση πολύγλωσσου χειρόγραφου χαρακτήρα και ισχυρά αποτελέσματα σε σύνθετες διατάξεις που συνδυάζουν στήλες, πλαϊνές μπάρες και ενσωματωμένα γραφικά.
Ένα Αναγνωριστικό για Να Θυμάστε
Σε όλες τις κλήσεις API σας, θα χρησιμοποιείτε αυτό το αναγνωριστικό:
model = "mistral-ocr-latest"
Δείχνει πάντα στην τελευταία σταθερή έκδοση του μοντέλου και οι ενημερώσεις είναι διαφανείς και συμβατές με προηγούμενες εκδόσεις. Αντισταθείτε στον πειρασμό να καρφώσετε (pin) μια dated έκδοση στον κώδικά σας: θα στερήσετε τον εαυτό σας από βελτιώσεις χωρίς να αποκτήσετε σταθερότητα.
Βασικά σημεία
- Το OCR 4 είναι ένα βελτιστοποιημένο VLM, όχι ένα κλασικό OCR αναγνώρισης προτύπων
- Παράγει δομημένο Markdown σελίδα προς σελίδα με εικόνες, πίνακες και μεταδεδομένα
- Η πολύγλωσση υποστήριξη καλύπτει 50+ γλώσσες, συμπεριλαμβανομένου του χειρόγραφου χαρακτήρα
- Υπερτερεί των κλασικών OCR και των μοντέλων γενικής χρήσης στην ακρίβεια εξαγωγής
- Το αναγνωριστικό
mistral-ocr-latestεγγυάται την πρόσβαση στην τελευταία έκδοση