Modelo OCR de Mistral (OCR 4)
En esta página
Actualizado el 2 de noviembre de 2026 — OCR. El modelo OCR 4.0 (
mistral-ocr-4-0) se retiró el 30 de septiembre de 2026. Utiliza OCR 4.1 (mistral-ocr-4-1), disponible de forma general desde el 31 de agosto al mismo precio, o el aliasmistral-ocr-latest, que apunta a él desde el 16 de julio. OCR 4.1 añade puntuaciones de confianza a nivel de bloque.
Un VLM especializado en extracción de documentos
Cuando escribes mistral-ocr-latest en tu código, apuntas a la última generación de OCR de Mistral: OCR 4, el sucesor de OCR 3. Se trata de un modelo de lenguaje de visión (VLM) ajustado exclusivamente para extraer texto de documentos. Esta especialización impacta directamente en tu factura y en tus resultados: a diferencia de un modelo de propósito general que intenta hacerlo todo, OCR 4 está optimizado para una única tarea, ofreciendo mayor precisión a menor coste.
Dos avances estructurales definen esta nueva generación frente a OCR 3. Los cuadros delimitadores a nivel de párrafo localizan con precisión cada bloque reconocido en la página: sabes no solo qué está escrito, sino dónde. Y los bloques estructurales restauran el documento como una estructura tipada en lugar de texto plano, ahorrándote tener que reinventar un analizador para recuperar la jerarquía de un informe.
Bajo el capó
La arquitectura se basa en una tokenización entrelazada: el modelo procesa tokens de texto y tokens visuales simultáneamente. En concreto, no lee caracteres aislados para luego intentar adivinar su disposición; ve la página completa y razona sobre ella. Esto le permite entender que un documento está organizado en dos columnas, que un subtítulo gobierna los párrafos que le siguen o que un pie de foto se relaciona con la imagen que tiene encima.
OCR 4 pertenece al nivel Premier de Mistral AI. Para el despliegue empresarial, esto se traduce en alta disponibilidad a través de la API de La Plateforme, actualizaciones regulares aplicadas sin interrupción del servicio y la opción de suscribirse a un SLA empresarial cuando el procesamiento de documentos es crítico para tu negocio.
La compatibilidad lingüística supera los cincuenta idiomas. Cubre escrituras latinas (francés, inglés, español, alemán, italiano, portugués), idiomas asiáticos como el chino, el japonés y el coreano, escrituras de derecha a izquierda como el árabe y el hebreo, y el cirílico para el ruso y el ucraniano. Un punto a menudo decisivo en la práctica: la escritura a mano se reconoce en todos estos idiomas, lo que abre la puerta al procesamiento de formularios rellenados manualmente.
Salida, página a página
Para cada página procesada, OCR 4 devuelve un objeto JSON en el que utilizarás principalmente dos o tres campos en las operaciones diarias:
{
"index": 0, # Número de página (índice base 0)
"markdown": "## Título\n\nContenido...", # Texto en Markdown
"images": [...], # Imágenes extraídas (base64 opcional)
"tables": [...], # Tablas detectadas
"hyperlinks": [...], # Hiperenlaces conservados
"header": "Encabezado", # Encabezado de página (opcional)
"footer": "Pie de página", # Pie de página (opcional)
"dimensions": { # Dimensiones de la página
"width": 612,
"height": 792
}
}
El campo markdown contiene la mayor parte del contenido. La representación de las tablas dentro de este Markdown se controla mediante el parámetro table_format, que acepta tres valores:
null(predeterminado): tablas en línea dentro del Markdown"markdown": tablas en formato Markdown estándar con barras verticales|"html": tablas en HTML completo con etiquetas<table>,<tr>,<td>
Las imágenes se segmentan automáticamente. Al activar la opción include_image_base64=True, recuperas cada ilustración codificada en base64, lista para guardarse en disco o reinyectarse en un documento reconstruido. Sin esta opción, solo obtienes referencias, lo que aligera significativamente la respuesta cuando solo procesas texto.
Frente a las alternativas
En comparación con Tesseract, la diferencia es visible desde el primer documento no trivial. Tesseract funciona decentemente con texto impreso simple, pero carece de cualquier comprensión de la estructura tabular, tropieza con la escritura a mano, mezcla el orden de lectura en diseños de varias columnas y se degrada drásticamente con escaneos de baja calidad. OCR 4, al ver la página, reconstruye su estructura semántica.
La comparación con modelos de propósito general —Pixtral, GPT, Gemini— se plantea en otro terreno. Estos modelos pueden procesar un documento, pero las imágenes consumen una cantidad enorme de tokens, lo que supone una carga pesada a medida que escala el volumen. No están optimizados para la fidelidad de la extracción y alucinan con más facilidad con números y tablas, precisamente donde los errores cuestan más: un importe de factura inventado no se detectará durante la revisión. OCR 4 está ajustado para la fidelidad, no para la generación.
En los benchmarks, OCR 4 se posiciona como el modelo OCR más preciso disponible mediante API, con una precisión casi perfecta en la extracción de texto impreso, una reconstrucción fiel de las estructuras de tablas, un reconocimiento multilingüe de escritura a mano de alta calidad y resultados sólidos en diseños complejos que mezclan columnas, barras laterales y gráficos incrustados.
Un identificador que recordar
En todas tus llamadas a la API, utilizarás este identificador:
model = "mistral-ocr-latest"
Siempre apunta a la última versión estable del modelo, y las actualizaciones son transparentes y compatibles con versiones anteriores. Resiste la tentación de fijar una versión con fecha en tu código: te privarías de mejoras sin ganar estabilidad.
Puntos clave
- OCR 4 es un VLM ajustado, no un OCR clásico de reconocimiento de patrones
- Produce Markdown estructurado página a página con imágenes, tablas y metadatos
- La compatibilidad multilingüe cubre más de 50 idiomas, incluida la escritura a mano
- Supera a los OCR clásicos y a los modelos de propósito general en precisión de extracción
- El identificador
mistral-ocr-latestgarantiza el acceso a la última versión